台风作为极具破坏性的天气系统，其发展与移动往往引起严重的灾害性影响。然而，受限于大气运动固有的非线性混沌特性，台风路径的长期预报——尤其是3-5天的预报——仍然面临诸多挑战。为了进一步改善台风预报效果，相关研究仍需深化对台风可预报性的理解，包括对于预报误差来源的识别以及对于误差发展动力学的认识。

条件非线性最优扰动（Conditional Nonlinear Optimal Perturbation，CNOP）理论旨在识别引起预报误差增长最快的初始微小扰动。该理论由穆穆院士团队于2003年首创，现已成为国际上开展天气、气候可预报性研究的重要理论工具。传统的CNOP优化求解依赖于数值天气预报模型，需要大量的计算资源。具体到台风研究，优化时段大多局限在48小时以内，而对于长达5天的CNOP求解，由于数值模型计算资源的限制，目前仍然难以实现。

针对上述挑战，我系穆穆院士团队的博士生浦景晨（第一作者）在穆穆院士（通讯作者）和冯杰研究员的指导下，与复旦大学人工智能创新与产业研究院的李昊研究员开展合作研究，将人工智能（AI）模型与经典的非线性可预报性理论相结合，成功求解了台风5天预报的CNOP，为台风长期预报的误差来源与可预报性研究提供了新途径。

本研究采用了先进的AI气象模型“伏羲”（FuXi）。不同于传统数值模式，AI模型基于深度学习框架构建，天然具备自动微分模块，能够高效地进行梯度求解。因而基于梯度优化求解CNOP不再需要额外的伴随模式，从而极大降低了算法开发与优化计算的复杂程度。此外，FuXi模型对于台风路径的模拟性能优良，能够给出与数值模型以及观测非常近似的结果，可以通过大气AI模型的“图灵测试”。基于这一模型，本研究成功构建了一个快速高效的优化框架（图1），首次将CNOP的优化窗口从传统的48小时以内延长至120小时（5天）。通过一系列敏感性试验、多个例试验与数值模型检验，本研究证实了该CNOP求解框架的有效性与物理一致性。

针对台风“灿都”个例的试验表明，相较于1-2天的短期优化CNOP，5天优化给出的CNOP扰动更倾向于集中在对台风长期预报影响显著的区域（图2），包括中纬度波动系统以及副高系统等，揭示了台风长时段预报中远距离环境系统的关键作用。将该扰动添加进入AI模型（FuXi）与数值模型（WRF）中进行加扰预报试验，相关结果证实了该扰动在AI与数值模型中均快速发展，在5天的预报时段内引起了超过1400公里的路径偏差，扰动的分布与发展也表现出了较强的物理一致性。

进一步地，本研究将CNOP分析应用于12个不同的台风案例（图3）。结果表明，基于AI模型的长时段优化CNOP能够给出快速发展且物理一致的初始扰动。扰动集中分布在影响台风长期预报的关键天气系统区域，其分布结构表现出明显的个例依赖性。在AI模型与数值模式中的预报试验均证实，这些扰动具有增长迅速且符合物理的发展特征，对于台风长期预报产生了显著的影响。

本研究围绕AI模型的最优扰动进行了求解与验证。相关结果表明，AI模型与CNOP方法能够有效地捕捉到影响大气系统演化的关键物理过程，展现出应用于大气科学业务与科研工作中的巨大潜力。后续，我们将继续开展基于AI模型CNOP的目标观测与集合预报研究，为进一步改善预报效果提供新的思路与方案。

论文信息：

Pu, J., Mu, M., Feng, J. & Li, H. (2026) Error growth dynamics and predictability of tropical cyclones in machine-learning weather prediction models. Quarterly Journal of the Royal Meteorological Society, e70257. Available from: https://doi.org/10.1002/qj.70257

图1 条件非线性最优扰动（CNOP）求解与检验流程。蓝色箭头表示基于AI模型（F）的求解流程；黄色箭头表示基于数值预报模型（NWP）的验证流程。

图2 台风“灿都”的CNOP扰动结构。（a1-a4）分别为925、850、500和300hPa等压面上的初始温度扰动（填色）；（b1-b4）则为初始风场扰动（箭头）及其相应的涡度场结构（填色）。等值线表示位势高度场。绿线和棕线分别表示控制预报和扰动预报中的台风路径。

图3  12个台风个例的CNOP扰动结构。图中给出了850hPa等压面上的温度（填色）和风场（箭头）扰动。等值线表示位势高度场。绿线和棕线分别表示控制预报和扰动预报中的台风路径。