热带气旋（TC）是最具破坏性的灾害性天气之一，其预报精度直接影响我国灾害预警水平的提高。“目标观测”聚焦预报对观测的需求，仅在敏感区进行，即可经济高效提高预报水平。目标观测是提高TC预报水平的主要业务手段之一，但它在通过最优化方法寻找目标观测敏感区时，因为运行数值模式耗时巨大，使其不得不提前更长时间确定敏感区，从而受到模式误差的更多影响，降低了通过目标观测提高极端天气预报技巧的功效。

近年来，以复旦-伏羲、华为-盘古等为代表的人工智能（AI）气象模型快速发展，并对TC路径预报呈现了较传统数值模式更高的计算效率和预报精度，但海洋上大气观测的数量和质量很难得到保证，仍大大限制了AI模型关于TC路径预报的准确性。因此，若能将目标观测技术融入AI模型预报，必将缩短确定敏感区的时间，进而减小模型误差影响。那么，经济的目标观测策略能否在AI模型中进一步提升TC路径的预报水平呢？该问题的回答将对高效获取额外观测，提高台风业务预报水平具有重要意义。

图1.目标观测-台风预报的发展阶段

我所地球系统数值模拟和应用全国重点实验室段晚锁研究员团队，与中国气象局地球系统数值预报中心韩威研究员、复旦大学李昊教授，以及云南大学杨若文教授等通力合作，对上述问题给予了清晰回答。他们首先发展了AI模型可迁移的En4DVar系统，并利用AI模型的自动微分功能，将我国学者提出的条件非线性最优扰动（CNOP）-目标观测新方法应用于AI模型，发展了“CNOP for AI目标观测-AI同化-AI预报”的全链条热带气旋智能预报新技术（图1），从而摆脱了对传统数值天气预报系统的依赖，为提升TC路径预报水平提供了全新途径。

图2. 基于FuXi模型识别的西北太平洋TC的目标观测敏感区

研究发现，无论是基于盘古模型驱动的孟加拉湾风暴预报，还是基于伏羲模型驱动的西北太平洋台风预报，它们用CNOP识别的目标观测敏感区均呈现一致的空间分布特征，即主要位于TC中心附近及其与副热带高压的交界处，反映了TC本身及其与环境场（如大尺度引导气流）共同作用对TC移动路径的重要影响（图2），符合TC路径移动的动力和物理机理。通过大量观测系统模拟试验，发现优先同化CNOP敏感区内额外观测，较同化其它随机区域观测，能够更加显著地提升TC路径预报技巧，但随着随机区域逐步靠近敏感区，TC路径预报技巧的改进效果也越明显。因此，用动力学方法CNOP有效识别了AI模型驱动的TC路径预报的目标观测敏感区，尤其发现，同化CNOP敏感区的少量观测，即可达到甚至超过同化大范围或全部观测的预报效果（图3）。所以，即使国际上大力推动AI技术融入业务预报，提高预报水平，但用CNOP动力学方法识别目标观测敏感区，获得额外观测，可进一步有效提高其预报水平。

图3 西北太平洋TC路径预报误差及其减小程度

上述系列研究在国际上首次实现了从敏感区识别，到观测同化，再到预报实现的全链条AI驱动，为AI模型完全独立于传统数值天气预报系统进行自主预报提供了可实现的路径，也为基于AI模型的极端天气预报提供了新视角。

相关论文信息如下：
Li, Y., Duan, W., Han, W., Li, H., & Qin, X. (2025). Improving tropical cyclone track forecast skill through assimilating target observation achieved by AI‐based conditional nonlinear optimal perturbation. Journal of Geophysical Research: Atmospheres, 130, e2024JD043261. https://doi.org/10.1029/2024JD043261
Li, Y., Han, W., Duan, W., Li, Z., &Li, H. (2025). A machine learning‐based observation operator for FY‐4B GIIRS brightness temperatures considering the uncertainty of label data. Journal of Geophysical Research: Machine Learning and Computation,2(1),e2024JH000449. https://doi.org/10.1029/2024jh000449
Zhou, Z., Duan, W., Yang, R., Qin, X., & Li, Y. (2025). Uncertainty of “Pangu-Weather” in Bay of Bengal storm track forecasts: Target observation perspective. Atmospheric Research, 326, 108313. https://doi.org/10.1016/j.atmosres.2025.108313
Li, Y., Han, W., Li, H., Duan, W., Chen, L., Zhong, X., et al. (2024). FuXi‐En4DVar: An assimilation system based on machine learning weather forecasting model ensuring physical constraints. Geophysical Research Letters, 51(22), e2024GL111136. https://doi.org/10.1029/2024GL111136