日前，浙江省气象局智能网格团队联合国家气象中心、浙江大学地球科学学院开展的短期暴雨预报智能订正研究取得突破性成果。该研究提出偏差靶向深度学习方案，突破传统暴雨预报技术局限，显著提升1—3天短期暴雨预报准确率。

当前，相关技术已落地浙江省气象台，实现实时业务常态化应用，为短期暴雨精细化预报与防灾减灾工作提供科技支撑。相关论文刊发于《自然》子刊。

从“直接预报降水”到“靶向修正模式偏差”

当前，数值天气预报是短期暴雨预报的重要技术支撑，但受限于模式空间分辨率不足、次网格过程参数化误差等问题，数值模式对强降水过程的刻画存在固有系统性偏差，导致暴雨空报、漏报并存的行业痛点，制约了短期暴雨预报精准度的提升。

该研究跳出传统技术框架，提出一种“偏差靶向深度学习方案”，即不再直接重新预报降水，而是聚焦数值模式降水偏差本身开展靶向建模与预测，构建了全新的偏差靶向深度学习技术体系，从而实现对模式误差的精准订正。这一思路改变了传统“直接预报降水”的路径，转向“识别并修正模式偏差”，能够更有针对性地提升暴雨预报能力。

在此基础上，该方案融合多维气象要素进行系统性偏差识别。模型不仅使用模式降水预报作为输入，还综合大气环流场、水汽输送、热力结构等多维气象要素，有利于识别暴雨发生的环境条件，提高了订正结果的物理一致性。

更重要的是，该方案实现业务可落地的短期暴雨订正方案。在保证准确率提升的同时，团队兼顾运行效率和稳定性，该方法能够直接嵌入现有智能网格业务流程，实现实时运行。

暴雨预报“既减空又降漏”

目前，该技术已在浙江省气象台智能网格业务系统中开展实时运行，并在2025年梅汛期和台风暴雨过程中进行了多轮业务检验，整体运行稳定，预报效果表现良好。

在实战应用中，新技术有效破解传统预报的突出短板。相比数值模式和常规统计订正方法，该技术在1—3天短期暴雨预报能力上实现了明显提升。从整体上看，该技术在2025全年1—3天短期暴雨预报TS评分方面的提升幅度超过20%。偏差靶向深度学习方案能够更好地捕捉强降水信号，有效减少了暴雨漏报情况。同时，与常规统计订正方法相比，空报率更低。从个例上看，该技术在2025年台风“竹节草”36小时时效暴雨预报的TS评分达到0.6，在浙江省现有客观预报产品中表现优异，展现出较强的极端暴雨适配能力。

通过优化暴雨预报精准度，进一步提升了气象防灾减灾服务的科学性、前瞻性，为防汛调度、水库运维、水资源调配提供了可靠的气象数据支撑，有效提升了城市内涝、山地地质灾害的前置风险预判能力，大幅降低预报不确定性带来的决策偏差与防灾风险。

下一步，团队研究将在三个方面重点推进：第一，强化极端大暴雨的预报能力。通过引入更多历史极端降水个例、融合区域模式降水预报等方式，进一步提升对极端大暴雨过程的刻画能力与预报水平。第二，开展多模式应用。现阶段技术仅在ECMWF确定性预报上应用，未来将逐步拓展至CMA-GFS、NCEP等数值模式，构建多模式偏差靶向学习框架，进一步提升预报的稳健性。第三，推动全国业务推广应用。该技术目前已部署到国家气象中心算法池，未来，将实时检验评估该算法在不同区域的表现，并结合区域气候特点开展针对性模型优化，逐步推广到全国暴雨预报业务中。

（作者：唐韬 钱浩 胡竞文 责任编辑：张林）