云南短临区域降水预报模型在“1262”强降水精细化预报中的应用

　　为深入贯彻落实习近平总书记在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上的重要讲话精神，省发展改革委会同省级部门、企业、高校，依托云南丰富多元的特色场景优势，聚焦重点领域，以场景应用为牵引，从各行各业中遴选出一批“人工智能+”典型案例，陆续对外发布，推动人工智能赋能千行百业，促进人工智能和实体经济深度融合。
 

　　云南短临区域降水预报模型
 

　　在“1262”强降水精细化预报中的应用
 

　　一、案例方向
 

　　模型和智能体
 

　　二、推介单位
 

　　云南省气象台
 

　　三、案例简介
 

　　针对云南“1262”机制中2小时强降水预报难题，从数据集构建、强降水预报模型搭建、模型后处理、产品上传及检验评估等四个方面着手，使用当前大模型核心技术，研发出以“EST+ConvLSTM+Diffusion-Unet”为框架的云南短临区域降水预报模型，该模型2小时强降水预报准确率较传统方法提升30%。基于本模型生成的2小时强降水精细化预报命中率达96%，为我省筑牢汛期安全防线、保障人民群众生命财产安全提供了有力支撑。
 

　　四、创新点
 

　　1.研发站点降水预报模型。建立基于EST和ConvLSTM模型的0—2小时云南省强降水预报模型，能够自适应地提取和融合来自多源异构数据的复杂降水信息。该模型通过EST模块捕捉空间依赖关系，结合ConvLSTM提取时空演变特性，有效提升了站点降水预报的准确性和可靠性。
 

　　2.研发多源异构数据融合算法。提出基于深度学习的多源气象数据同化框架，利用神经网络从降水网格实况、雷达、数值模式等异源数据中提取降水关键特征。通过创新的融合模块优化初始场质量，从而显著提升了短临降水预报的精度。该算法在处理多源异构数据时表现出色。
 

　　“人工智能+”典型案例详细介绍
 

　　一、基本概况
 

　　2022年6月，云南省防汛抗旱指挥部办公室、省应急管理厅、省气象局联合建立“1262”精细化预报与响应联动机制，即“强降水提前12小时预报到县、6小时和2小时预报到乡镇”，强降水预报成为“1262”机制高效运行的“发令枪”。
 

　　随着人工智能技术的发展，AI在全国0—2小时强降水预报中逐渐从“辅助”走向“核心”，在预报速度和精度上展现出巨大潜力。云南省气象台以需求为导向，开展新一代云南短临区域降水预报模型研发，有效延长预报提前量，提高预报精准度，对筑牢气象防灾减灾“第一道防线”、保障云南经济社会高质量发展具有重大现实意义。
 

　　二、主要做法
 

　　依托2023年增发国债项目《云南省精准预报业务系统建设项目》和2024年云南省科技厅重点研发计划项目《云南复杂地形下强降水“1262”精细化预报关键技术研究》，针对云南强降水预报难题，从数据集构建、强降水预报模型搭建、检验评估、模型后处理等四个方面着手，研发云南短临区域降水预报模型，形成云南区域0—2小时、逐6分钟更新、1公里分辨率的强降水预报产品。具体方案及核心技术如下：
 

　　（一）构建人工智能数据集
 

　　短临强降水预报对数据的时序精度、空间分辨率与多源协同性要求极高，单一观测数据难以全面捕捉降水系统演变特征。本研究针对性构建2019—2024年云南区域(96°—108°E、19°—31°N)标准化人工智能训练数据集，通过开展数据搭建、质控整合与标准化重构，彻底解决传统预报数据时序碎片化、空间适配性差、多源数据不兼容的痛点，实现了雷达观测数据、卫星遥感数据、融合网格实况、模式预报四大类数据的全覆盖融合，最终形成涵盖5年连续完整时序数据集，总数据体量超25T。在数据预处理环节，针对多源数据存在的分辨率不一、时序错位、异常噪声、缺失空缺等行业共性问题，开展标准化的数据质控与融合。
 

　　（二）搭建强降水预报模型
 

　　为突破技术瓶颈，构建EST Transformer模块+diffusion扩散模型融合的创新型核心预报架构，模型训练使用5年连续时序气象数据集，总参数量达6080万。
 

　　多源异构数据融合是气象人工智能预报的核心难点，不同数据源的特征维度、物理意义、信号强度差异极大，常规拼接融合方式易造成有效特征丢失、冗余信息干扰。本模型创新性引入CBAM混合注意力机制作为多模态数据融合的核心增强模块，适配雷达、站点观测、地形、卫星、网格实况等多类数据的特征提取需求。工作流程上，先对各类原始气象数据进行专业化预处理与基础特征编码，借助Patch Embedding将雷达回波、降水实况、地形下垫面、云图特征等物理气象信息转化为深度学习可识别的特征向量，再结合隐式融合算子与特征拼接技术，完成多源异构特征的初步融合，实现多维度气象信息的初步整合。
 

　　在特征解码与预报推演阶段，依托EST Block模块补齐了传统Transformer时序捕捉不足的缺陷，专门适配气象时空序列数据，能够精准捕捉小时级、分钟级气象要素的连续演变规律，自适应适配不同尺度的对流系统特征，有效解决中小尺度降水系统预报偏差大的难题。同时，充分发挥diffusion扩散模型的概率生成优势，基于优化后的初始场，持续推演气象系统的动态发展趋势。一方面，可精准捕捉未来2小时短时对流单体的生消、移动、增强减弱的精细演变过程，实现2小时精细化预报；另一方面，能够稳定预报未来6小时区域强降水的落区、强度、时长变化，相较于传统数值预报和常规AI短临模型，预报精准度、细节刻画能力均实现明显提升。
 

　　（三）研发模型预报性能检验系统
 

　　配套建设了适配云南本地的强降水预报检验系统。改变以往传统单一的检验方式，实现云南强降水预报产品的系统化、自动化、可视化效能评估，能够精准研判产品预报性能、找准预报短板，为模型迭代优化与业务应用优化提供可靠的数据支撑。
 

　　系统可根据不同强降水天气场景灵活匹配对应检验评估算法，自动计算气象业务通用的核心定量检验指标，涵盖命中率、漏报率、TS评分、均方根误差等。依托可视化分析成果，能够整体研判模型预报水平，精准定位各类偏差问题，比如复杂地形区域强降水落区偏移、降水强度系统性高估或低估、极端强降水漏报等典型问题。同时，清晰分析模型在不同天气场景、不同预报时效下的性能差异，为后续模型结构优化、数据集精细化改进、后处理订正参数调优提供精准具象的技术依据，有效提升模型迭代优化的针对性与高效性。
 

　　（四）研发模型智能后处理订正模块
 

　　受地形干扰、气象系统复杂性、模型特征拟合偏差等多重因素影响，纯AI原始预报往往存在一定的系统性偏差，易出现强降水强度低估、弱降水空报、落区小幅偏移等业务常见问题。
 

　　为有效消减模型系统性误差，模型引入业界成熟且适配气象时序订正场景的XGBoost梯度提升机器学习算法，搭建高频动态实时订正的模型后处理模块，实现AI原始预报产品的二次优化与精度升级。本订正模块重点聚焦强降水天气场景，筛选强降水有效样本开展针对性训练，强化模型对高影响天气的订正能力，避免常规弱降水样本稀释强降水订正效果。同时，建立分钟级动态迭代更新机制，每10分钟更新一次订正模型权重参数，保障订正结果的实时性、有效性与稳定性。
 

　　三、应用成效
 

　　（一）有效提升预报精准度
 

　　业务检验结果表明，本研究构建的云南短临区域降水预报模型预报性能显著优于传统预报技术，相较于基于光流法及常规人工智能预报方法，模型2小时强降水预报准确率提升5%。针对高影响灾害性降水天气，模型对短时强降水(≥20mm/h)和极端短时强降水(≥50mm/h)的预报准确率均提升约10%，极端天气识别与预判能力大幅增强。依托该模型研发的“1262”强降水精细化预报服务产品预报效能持续优化，2小时强降水预报命中率由2023年的84%提升至当前的96%。在全省性大范围强降水过程中，模型预报优势更为突出，如在2025年6月18日—23日全省持续性强降水天气过程中，模型2小时强降水预报命中率高达98%。
 

　　（二）有力支撑气象防灾减灾
 

　　高精度的短临预报成果，为云南省“1262”精细化预报与响应联动机制高效运行提供了关键技术支撑，有效提升强降水灾害前置防御能力，在基层防灾减灾中发挥了重要作用。如在2026年5月17日20时起文山州持续性强降水过程中，气象部门依托本模型精准预报结果，分别于17日23时、18日03时提前预警马关县篾厂乡未来2小时将出现≥50毫米的极端强降水天气，当地乡镇依据精准气象预报，并结合灾害风险隐患排查结果，提前组织大新寨村、杉木树村、老门寨村共计317名群众安全转移。本次极端强降水过程造成辖区内3个村庄50余间房屋受损，但实现零人员伤亡，充分体现了本模型的重要业务价值与应用成效。
 

　　四、创新点
 

　　（一）研发强降水预报模型
 

　　建立了基于EST和ConvLSTM模型的0—2小时云南省强降水预报模型，能够自适应地提取和融合来自多源异构数据的复杂降水信息。该模型通过EST模块捕捉空间依赖关系，结合ConvLSTM提取时空演变特性，有效提升了站点降水预报的准确性和可靠性。
 

　　（二）研发多源异构数据融合算法
 

　　提出了基于深度学习的多源气象数据同化框架，利用神经网络从雷达、数值模式等异源数据中提取降水关键特征。通过创新的融合模块优化初始场质量，从而显著提升了短临降水预报的精度。该算法在处理多源异构数据时表现出色。