2020年劳拉飓风（图为8月27日）在路易斯安那州上岸之前不久，经历了快速强化过程，风速在24小时内增加值超过35英里/小时（56公里/小时）

对飓风（台风）的预测，一般会从两个方面入手，一是移动路径，二是风雨强度。两方面的预报对于防范飓风（台风）可能造成的灾害都很重要，是天气预报中的难点问题。从目前进展情况看，对路径预报的把握要好于强度，但若飓风（台风）出现突变，则无论是路径还是强度的预报，都易出现问题，往往使预报员难以判断。

2015年10月，东北太平洋曾发生过一次飓风强度突然大幅增强的事件，飓风“帕特里夏”在24小时内从1级风爆炸性增长至5级，风速从86英里/小时（约138公里/小时）跃升至207英里/小时（约333公里/小时）。类似这样在短时内爆发性增强的飓风（台风），“帕特里夏”既不是第一个，也不是最后一个，但这类转折性变化是困扰气象预报人员的难题，一直未能找到有效办法。

近年来，人工智能（AI）技术的发展似乎带来一缕曙光。不少气象科技人员开始与相关领域专家合作，探讨如何利用AI技术提升飓风（台风）预报的准确性，特别是针对包括风雨突然变化在内的强度预报，找到新的途径和方法。

今年8月25日，发表在《地球物理研究快报》上的一篇论文介绍了美国国家航空航天局（NASA）喷气推进实验室（JPL）科学家率领的团队通过机器学习开发的预报模型，有望提高预测飓风（台风）快速增强变化的准确性。

对飓风（台风）的强度变化预判除要关注其周围环境场的演变外，还要考虑内部的结构变化，包括云雨分布、温湿结构及垂直与水平速度变化等。这些因素既难以准确测定，也不易计算其变化规律，使得导致飓风（台风）强度突变的内部结构特征难以判定。为了找到预测指标，研究团队分析了大量卫星数据，发现飓风（台风）核心眼区的降雨强度是影响飓风（台风）强度未来24小时内变化的一个很好的指标，即围绕飓风（台风）眼区的密集雷暴墙附近降雨越强烈，风暴加剧的可能性就越大，从美国与日本联合发射的热带测雨卫星（TRMM）资料中可以收集到这些雨强数据。

此外，影响风暴强度的变化还取决于飓风中云的冰水含量，这类信息可以从NASA发射的云探测卫星（CloudSat）的观测数据中获取。另一个影响因子是飓风（台风）眼区顶部流出的空气温度，也称为出流温度，被认为与飓风（台风）强度变化密切相关，通过Aura卫星上的微波测深器（MLS）及其他数据集中可获得相关数据。

研究团队将降雨强度、冰水含量和出流温度等因子添加到美国国家飓风中心（NHC）已运行模型中，并通过机器学习不断改进，不断适应飓风（台风）复杂的内部机构，确定可能导致飓风（台风）强度突变的过程，形成了独立的预报模型。1998年至2008年经过对发生的风暴资料进行学习训练后，又在2009至2014年对新数据进行了测试，并与NHC业务模式对相同风暴强度变化预报比较，结果显示，对于在24小时内风速增加了35英里/小时（约56公里/小时）以上的飓风（台风），新模型较业务模型预报准确率高了60％，若仅对24小时内风速增加40英里/小时（约64公里/小时）的飓风（台风）测试，新模型优势更为显著，要优于业务运行模式200％。

研究团队仍在与NHC的合作者一起，用研发的模型对当前飓风（台风）季节发生的风暴进行测试，进一步评估其性能，并针对可能导致飓风（台风）发生变化的其他指标进行预测实验，筛选更多卫星数据，测试可以改进飓风（台风）预测的有效信息，目标是使科研和业务人员更好地了解掌握飓风（台风）变化规律，减少引发的灾害。

分析美国科研团队取得的这一进展，一方面可以从中看到AI技术的应用前景，同时也可以感受到探索、查询指标的不易。在各类海量数据中筛选可能引发突变的因子，通过不断学习建立合理的计算模式，有相当难度。从目前的结果看，几个指标的建立有显著效果，不但在飓风（台风）强度变化预报中可用，也有助于引导对其他强对流系统预报因子的查找。从实际业务应用角度看，应还有很大改进空间，特别是在卫星资料方面，TRMM卫星已被新的测雨卫星GPM取代，或许还应对新资料重构学习模型，且GPM、CloudSat、Aura卫星都是单一的低轨卫星，在监测信息的时空重复率方面有一定不足，能否在飓风（台风）强度发生突变的转折点时及时捕捉到有效信息，是需要关注的问题。成果来之不易，路还长，仍需努力。

《中国气象报》