计算机应用

作者：陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学，北京 100049；3.成都信息工程大学 计算机学院，成都 610225

关键词：深度学习,强对流天气预测,生成对抗网络,扩散模型,气象大模型

基金：四川省科技计划项目(2024NSFJQ0035);四川省科技成果转移转化示范项目(2024ZHCG0026)

深度学习技术的突破性进展为“AI+气象”交叉学科的研究开辟了新的范式，而强对流天气预测因为它的复杂动力学特征和重大社会经济影响成为前沿研究热点。因此，本文系统梳理深度神经网络（DNN）在强对流天气预测领域的理论进展和方法创新，并深入探讨它们的具体应用。首先，基于时空序列预测范式剖析循环神经网络（RNN）与非RNN在气象时序建模中的高频特征捕获机理；其次，从生成式建模的视角，论证生成对抗网络（GAN）和扩散模型在极端天气事件概率预测中的建模优势；再次，揭示气象大模型通过预训练-微调范式实现多模态数据融合与跨尺度特征学习的理论突破，并阐释它们在全球数值天气预报中的泛化能力提升机制；继次，针对模型评估体系，分析传统统计指标在极端天气预测中的局限性，并探讨物理一致性约束等新型评估框架的构建路径；最后，凝练出当前面临的关键科学挑战及未来研究方向，旨在为构建新一代强对流天气预测智能系统提供理论支撑与方法论参考。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期