本研究由复旦大学大气与海洋科学系的Pu Jingchen、Mu Mu、Feng Jie、Li Hao等人完成，通讯作者为Feng Jie。论文以题为“Targeted Observing for Long-term Tropical Cyclone Forecasts: An Observing System Simulation Experiments within a Data-driven Weather Model”投稿至《Advances in Atmospheric Sciences》，为第一次修订稿，提交日期为2026年7月27日。研究得到了国家自然科学基金（42288101）和AP-TCRC院士工作站的支持。
该研究属于热带气旋（tropical cyclone, TC）目标观测（targeted observation）与人工智能（artificial intelligence, AI）气象预报的交叉领域。热带气旋是热带和副热带海洋上最具破坏性的天气系统之一，提升其路径预报技巧对于减轻社会和经济损失至关重要。尽管近年来TC路径预报已有显著改进，但三天以上的中期预报仍存在较大提升空间。目标观测是一种通过在最敏感区域增加额外观测来最大程度改善预报效果的成本效益策略。传统目标观测依赖数值天气预报（numerical weather prediction, NWP）模式识别敏感区、同化观测并进行预报，但其预报精度有限且计算成本高，尤其制约了2天以上长时效目标观测的时效性。近年来，快速且准确的AI气象预报模型的发展为长时效目标观测提供了新途径。在此背景下，本研究旨在利用AI模型计算5天TC路径预报的敏感区，并通过观测系统模拟试验（observing system simulation experiments, OSSE）评估基于条件非线性最优扰动（conditional nonlinear optimal perturbation, CNOP）的目标观测在AI和NWP模式中的效果。
研究的工作流程可分为几个主要环节。首先，研究采用了AI全球中期天气预报模型FuXi进行敏感区识别和目标观测试验。FuXi基于U-Transformer架构，使用39年ERA5再分析资料训练，具有0.25°水平分辨率和6小时时间步长。同时，为了验证AI识别敏感区在传统NWP模式中的适用性，研究还使用了天气研究与预报（Weather Research and Forecast, WRF）模式4.3版本，其模拟域覆盖西北太平洋大部分区域，水平格距为15 km。其次，研究采用了CNOP方法。CNOP表示叠加在初始大气状态上、在预定优化时段内导致最大扰动增长的初始扰动，其非线性优化问题通过总干能量范数定义目标函数。本研究中优化时段设为120小时，初始扰动约束δ设为0.4 m² s⁻²，目标函数区域D₁为以TC 5天预报位置为中心的20°×20°方形区域，约束区域D₂为（100°E–180°E, 0°–60°N）。基于CNOP的敏感区选择依据变量范数加权的垂直积分扰动能量分布，能量计算中分别独立处理风场和温度扰动，以平衡动力和热力过程的贡献。敏感区大小的确定通过一系列敏感性试验完成，候选区域分别为约2.86×10⁵、1.14×10⁶、2.58×10⁶、4.58×10⁶和7.16×10⁶ km²（对应约5°×5°、10°×10°、15°×15°、20°×20°和25°×25°方形区域），选择能够产生统计显著TC预报误差的最小敏感区作为最优目标观测区域。研究选取了2020至2023年间西北太平洋的12个TC个例进行目标观测试验。
在OSSE设计上，研究包含四类试验：真值试验（truth）以ERA5再分析场初始化的预报作为“真值”；对照试验（ctrl）在真值基础上叠加来自ECMWF IFS集合预报的初始扰动，代表包含分析误差的实际分析状态；敏感区试验（sa）在CNOP敏感区内移除分析误差，模拟在该区域实施目标观测；非敏感区试验（nsa）在TC中心周围五个非敏感区域（中部、南部、北部、西部、东部）分别移除相同大小的分析误差，以作公平对比。每个TC个例均使用50个IFS初始扰动进行集合预报试验，FuXi和WRF分别独立开展OSSE，以评估AI和NWP系统中目标观测的效果。
以台风“灿都”（Chanthu）为例，其CNOP垂直积分能量分布涵盖灿都内核、邻近台风“康森”（Conson）涡旋以及北部2000 km以外的中纬度西风带。敏感区大小敏感性试验表明，2.58×10⁶ km²区域包含了康森、灿都及其相互作用区，可产生约800 km的最大5天路径影响，接近全CNOP效应的60%，因此被选为最优敏感区大小。灿都的OSSE结果显示，敏感区目标观测使78%的扰动试验路径误差减小，50个集合成员平均误差减少99.5 km，中位数减少57.9 km，优于所有非敏感区试验。敏感区对误差较大成员（如第8号和第37号扰动）的改进尤为显著，误差减少超过800 km。时间演变显示，敏感区试验在48小时以后保持最低路径误差，表明其对长时效预报的优势明显。WRF中对第8号扰动的进一步验证也得到与FuXi相似的结果，敏感区试验在两种模式中均将120小时路径误差减少600 km以上，证实了AI敏感区向NWP模式的跨模式可移植性。机理分析显示，在对照试验中初始扰动迅速发展为有组织的正负偶极子，从热带延伸至中纬度，导致灿都路径西偏登陆；而敏感区试验由于移除了康森和灿都附近的初始扰动，扰动增长更独立、振幅明显减小，路径预报更接近真值。FuXi和WRF的扰动增长差异具有高度一致性，验证了AI模型误差增长的物理一致性。
在全部12个TC个例的统计评估中，CNOP引起的5天路径预报误差介于600 km至1600 km。平均而言，2.58×10⁶ km²的敏感区仅覆盖扰动域4.6%的面积，却贡献了约498 km的误差，占全CNOP总误差的50%。基于该大小的敏感区，FuXi中OSSE结果显示，敏感区试验平均减少TC路径误差超过55 km（25.55%的相对改进），74.83%的预报呈正效应，均优于所有非敏感区试验。不同TC个例的改进幅度从16 km到113 km不等，但均至少实现约10%的误差减少。WRF中的OSSE进一步证实了FuXi敏感区的有效性，敏感区试验平均减少路径误差51.41 km（22.43%），优于除东部非敏感区外的所有非敏感区试验。这些结果表明，基于AI的CNOP敏感区在NWP模式中同样有效，支持AI模型在可预报性研究中的应用。
研究的结论指出，基于AI模型FuXi的CNOP方法能够有效识别长时效TC路径预报的敏感区，这些敏感区通常涵盖TC涡旋及关键环境天气系统，并表现出明显的个例依赖性。目标观测在仅覆盖西北太平洋4.6%面积的敏感区内，可显著提升5天TC路径预报技巧，在AI和NWP模式中分别实现25%和22%的相对改进。研究还揭示了AI和NWP模式在扰动增长方面具有物理一致性，为将AI模式应用于长时效目标观测提供了理论基础。本研究的主要创新点在于：首次实现了5天TC路径预报的目标观测并进行了验证，将以往研究的1–2天时效扩展至长时效；同时证实了AI识别的敏感区在传统NWP系统中的有效性，量化了其在提升业务预报技巧方面的潜力。研究的局限性在于OSSE中未包含资料同化过程，实际业务应用中的改进可能低于理想情况；此外，TC强度预报的敏感区与路径预报可能存在显著差异，需发展更高分辨率且包含更多物理过程的AI模型来加以解决。