2026年4月24日下午，由PA集团主办的“风云英华”学术讲座第117期在大气楼D103报告厅顺利举行。中国科公司大气物理研究所二级研究员段晚锁应邀作题为《人工智能和物理约束深度融合：目标观测与集合预报新路径及应用》的学术报告。报告由PA集团赵坤教授主持，公司师生踊跃参加，现场氛围热烈。
段晚锁研究员长期从事天气、气候可预报性研究，在目标观测、集合预报及人工智能应用等方面取得了一系列具有国际影响力的成果，获得国家自然科学奖二等奖等奖励。段晚锁研究员入选了“国家百千万人才工程”，获得“有突出贡献中青年专家”荣誉称号，享受国务院政府特殊津贴，并担任国际气象和大气科学协会（IAMAS）国际动力气象委员会委员、IAMAS中国委员会秘书长等学术职务。
本次报告中，段晚锁研究员围绕“如何将人工智能与物理约束深度融合，发展目标观测与集合预报的新途径”这一核心问题，系统介绍了团队在相关领域的最新研究进展。
段晚锁研究员首先回顾了数值预报的发展历程。20世纪中叶，由于蝴蝶效应的提出，研究者从追求完美的、长期的天气预报，转向量化预报结果的不确定性，在20世纪70年代提出了集合预报的概念。然而特定结构的初始误差会显著导致系统的预报误差，目前国际上有三类方法来生成初始扰动：随机扰动法、不稳定模态法和集合转换卡尔曼滤波法。其中，奇异向量法的动力学意义最为清晰，但其缺陷是误差线性演变，与非线性的实际误差演变相悖。为此，段晚锁团队提出了条件非线性最优扰动（CNOP） 方法，在正交的扰动空间内全面考虑非线性过程。应用表明，CNOP在台风异常路径（急转向）的集合预报、强对流集合预报和厄尔尼诺的预报中都体现了比奇异向量法和随机扰动法更加优越的预报效果。
进一步地，为了解决集合预报计算资源需求大、时效性弱等问题，段晚锁团队将具有物理意义的CNOP扰动和确定性AI模型伏羲直接结合，生成集合预报。结果显示伏羲+CNOP能够有效减少台风路径预报的系统性偏差、增加MJO（热带季节内振荡）预报时效。
段晚锁研究员最后介绍了在敏感区加密观测的目标观测方法，利用CNOP方法在外场试验、服务预测组网等场景的应用效果，以及与AI模型的自动微分功能融合来快速计算敏感区的尝试，证实通过目标观测能够提高预报效果。他们还发现，伏羲与盘古模型由于AI的底层架构不同，伏羲的改进效果可持续72小时，而盘古的改进仅能维持20-30小时。这表明AI模型的结构选择串联（盘古）还是分段独立训练（伏羲），对可预报性的改进效果有重要影响。
此次报告内容覆盖理论基础、算法模型构建及预报检验等多个层面。段晚锁研究员系统展示了如何通过融合AI和CNOP物理约束来优化观测布局、提升集合预报样本质量，并介绍其在提升预报效率和精准度上的具体机制。报告强调，通过物理约束的扰动和目标观测的协同，AI预报能够在高影响天气气候事件中实现快速响应与更精准预测。
在互动交流环节，现场师生围绕AI模型强度预报的局限性、MJO可预报性随起报时间的变化、集合预报与集合同化的耦合等问题展开了深入讨论。段晚锁研究员逐一进行了细致解答，并分享了团队在模型研发、数据同化及AI赋能预报方面的实践经验。师生们表示受益匪浅。
本次“风云英华”学术讲座聚焦人工智能与物理约束深度融合的前沿方向，系统展示了在集合预报与目标观测领域的重要研究进展。段晚锁研究员的精彩报告不仅深化了公司师生对可预报性理论、CNOP方法及AI模型特性的认识，也进一步拓宽了对人工智能赋能大气科学研究的理解。讲座在热烈掌声中圆满结束。
“风云英华”学术系列讲座为公司师生搭建了高水平学术交流平台，有力促进了校内外学术思想交融与科研合作交流，在开阔师生研究视野、激发科研创新热情的同时，持续助力公司在大气科学及相关交叉学科领域的研究能力提升与高质量人才培养。