台风大风预报研究回顾

李丽芳，任福民，刘春霞，万齐林

(1.中国气象科学研究院灾害天气国家重点实验室，北京 100081；2.中国气象局广州热带海洋气象研究所，广东 广州 510080)

引言

台风(泛指热带气旋，下同)是最严重的自然灾害之一[1]。台风引发的三大灾害包括暴雨、大风(风力6级以上，风速V≥10.8 m·s-1)和风暴潮[2]。历史上台风大风灾害非常严重，例如0608号超强台风“桑美”登陆浙江苍南时中心附近最大风速达68 m·s-1[3]，它的结构紧密、强度强、移动速度快，12级风圈平均半径达90 km、17级风圈半径达45 km，造成浙江和福建共450人死亡、138人失踪、直接经济损失196.5亿元，其肆虐成灾的主要原因就是风力超强[4]。又如1409号超强台风“威马逊”是当时有记录以来登陆中国最强的台风，登陆时中心附近最大风速达72 m·s-1，造成海南、广东和广西的59个县(市、区)共计742.3万人、468.5千hm2农作物受灾，直接经济损失约为265.5亿元。

近几十年来，国内外学者对台风大风的影响成因做了许多研究工作，主要可归为以下几个方面：台风自身的强度和非对称结构、台风移速和路径、周围环境场配置及下垫面情况等。其中台风强度是根据台风中心附近地面最大风速进行划分的，与大风有直接关系，其结构和路径趋向可决定大风区的地理分布，副热带高压、大陆热低压和冷空气等环流场常通过改变台风周围的气压梯度影响大风的大小[5-9]，下垫面则直接影响风的摩擦耗散[10]或产生阻挡和绕流作用。随着沿海地区经济的快速发展，沿海高耸建筑物逐渐增多、人口密集度逐步上升，台风过境引发的风灾影响也就愈发严重，因此做出准确及时的台风大风预报十分重要。大风的强度和影响范围是台风相关研究与业务预报中关注的重点[11]。大风的强度可由风速表征，影响范围可通过风圈大小预估，故本文所讨论的台风大风预报具体指与台风大风相关且备受关注的物理量(如风速、风圈半径)的预报。目前常用的台风大风预报技术主要有以下四类：经验预报、统计预报(具体可细分为回归预报、客观相似预报、气候持续性预报等)、数值模式预报、数值预报产品的释用(包括动力释用、统计释用和人工智能释用等)[12]。

在前人的努力下，台风大风预报取得了一定的成效，预报水平也有了显著的提升。但是，由于海上观测资料少、对风场精细结构认识不足以及对演变物理机制认识不完善等，当前台风大风预报还存在很大挑战。鉴于现有针对台风大风预报技术的总结还很少，本文简要回顾台风大风预报的研究与应用现状，结构如下：介绍上述四类预报技术的概念和实际应用成果；总结它们各自的优势和不足之处；讨论未来研究与实际业务中进一步提高台风大风预报技术的主要发展方向，以期为今后的台风大风预报提供参考。

1 经验预报

早期，经验预报主要是预报员根据天气学原理和多年的预报经验，得到台风大风的分布特征、主要影响因素和变化规律等而总结出的预报方法[13]。随着自动气象站的加密、多普勒天气雷达和气象卫星等大气探测技术的发展，卫星云图、雷达图像等资料的应用在相当程度上提高了台风大风的经验预报能力[14]，为临近预报提供了参考依据。

如KAPLAN and DE MARIA[15]在1995年针对美国37°N以南地区提出了一个用于预测台风登陆后风速衰减的经验模型，模型的前提假设是台风登陆后的风速衰减与登陆强度成比例关系，此外还考虑了环境风场和登陆后因下垫面粗糙度增加而造成的强度快速调整(减弱)。模型计算公式如下：

Vt=Vb+(RV0-Vb)exp(-at)

(1)

式中，V0为登陆时刻的最大风速，Vb为环境风速，a为衰减系数，Vt为登陆后t时刻的最大风速，R是与下垫面粗糙度增加有关的台风强度减弱因子(常取0.9)。之后BHOWMIK et al.[16]又将这一经验模型推广到印度地区，用于预报台风影响期间印度东海岸的地表最大风速，业务上的应用证实该模型提高了台风大风的预报评分。我国20世纪50—60年代也主要运用纯天气学经验方法预报台风大风，徐大海和朱瑞兆[17]在1975年提出了根据地面天气图推算台风大风的方法，利用旋转摩擦风方程计算台风风速，该方法计算得到的风速与实测风速误差在10%左右。文中所用公式如下：

(2)

在卫星云图和雷达图的应用方面，陈宏义和张梅[18]总结了台风预报中的卫星云图实用技巧，指出可以从台风的卫星云图结构推测其对预报区域的大风影响，由此作为一种台风大风预报的辅助方法，并列举了8种有一定实用性且容易掌握的台风云图类型对应的大风影响的强度、持续时间及方式(表1)。曹楚等[5]指出当多普勒天气雷达能监测到台风并能生成连续的径向速度产品时，利用速度退模糊方法分析最大径向速度可以预判出台风大风的分布范围和大小；植江玲和黄先香[19]也指出当台风中心进入雷达监测范围时，反射率因子产品可以有效监测大风的影响范围和时间，径向速度产品可以估测大风强度及更精细的风场分布。图1是台风“天鸽”和“山竹”登陆前的雷达组合反射率因子和径向速度图，可以看出：登陆前2 h的反射率因子(图1a、b)表明“山竹”的回波范围较“天鸽”更广，即“山竹”的对流系统范围更大；由登陆前4 h的径向速度图(图1c、d)可知“天鸽”有清晰的台风眼，半径为50～100 km，径向速度达50 m·s-1以上，而“山竹”眼区不明显，大风影响范围广，风速的大值区主要分布在台风中心附近和外围，大风半径达100～150 km，最大径向速度超过45 m·s-1。

图1 “天鸽”和“山竹”登陆前广东雷达组合反射率(a、b)和珠海雷达0.5°仰角径向速度(c、d)(引自植江玲和黄先香[19])Fig.1 Composite reflectivity (a/b) of Guangdong Doppler radar and radial velocity (c/d) at 0.5° PPI of Zhuhai Doppler radar before the landing of Typhoon Hato and Mangkhut (Credit: ZHI and HUANG[19])

表1 台风云图类型及其大风影响的强度、持续时间及方式(引自陈宏义和张梅[18])

经验预报简单易实现，尤其在临近预报中效果突出，但此类方法过多掺杂了预报员的主观判断，预报效果因人而异。

2 统计预报

统计预报即基于大量的历史资料，将易获取且与台风大风相关性好的气象要素(如台风中心最大风速、中心气压、移速等)作为预报的依据，采用概率统计方法建立大风相关物理量(如风速、风圈半径等)与上述气象要素之间的联系，进而得到客观、可定量化的大风预报。本节主要介绍台风大风预报中较常用的三种统计预报方法：回归预报、客观相似预报、气候持续性预报。

回归预报的本质是分析历史样本数据，建立待预报风速与相关因子的回归模型用于实际预报。如沈如松等[20]利用1949—1991年的台风资料，分别建立了福建北部两台站的台风大风风速与预报前一天24 h变压、台风中心气压、台风中心最大风速三个因子间的线性回归模型，试报证实该模型对V≥12 m·s-1的大风预报准确率较高。台风大风分布与台风强度、台风与台站距离有关，王世强等[21]利用2006—2016年珠海站逐小时最大风速资料和周围400 km的台风资料，研究了珠海站周围不同象限、不同距离的台风与本地大风之间的规律和关系，并建立了风速的线性回归预报模型，实践检验表明其对东北、东南、西北象限活动台风风速均有较好的预测效果，而西南象限由于样本少、极端台风较多等原因，检验效果较差。

客观相似预报认为如果当前天气过程的发展相似于过去曾经发生的某个天气过程，则可假定往后一段时间过程的发展也将相似地进行下去[22]。在历史样本库足够多的条件下，这一方法同样适用于台风大风等要素预报。郑群峰等[23]以1997—2017年影响深圳的台风为研究对象，通过实况排名、统一量级、按站点平均、数值量级匹配等步骤提出了一种针对网格区域内台风造成深圳风雨分布的预估方法，试验结果表明当台风路径点的移动方向与网格主方向一致时，该方法能大致捕捉到风雨中心，部分细节刻画甚至比欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)模式更精细，但两者方向不一致时偏差较大。董明伦等[24]利用聚类相似法对西北太平洋最近50 a的台风从区域、季节、移向、移速、中心气压和最大风速等六个方面进行聚类相似分析，查找满足阈值条件的所有相似历史台风某要素的平均值代替待预报台风的相应要素，并指出该方法可以推广到台风风速预报上。LI et al.[25]在分析深圳盐田港、妈湾港和蛇口码头的台风风力分布特征后，提出了一种基于台风强度、相对台站距离和方位角分组的台风阵风非参数预报方法，用于预估近海台风对上述三个港口码头站的阵风影响。之后，李辉等[26]在此基础上，进一步加入了台风尺度对定点阵风预报的影响，建立了小时极大风速与上述四个因子间的预报模型。

NEUMANN[27]发展的气候持续性(climatology and persistence，CLIPER)方法最早是台风路径统计预报的基本方法之一，旨在结合台风运动的气候规律与初始时刻持续性特征建立预报方程。具体地，对于一个时间序列X1,t={X1,X2,X3,…,Xt}，若存在k阶滞后时间步长及k阶超前时间步长，使时间序列X1,t的k阶自相关系数为正相关，则说明该时间序列具有k阶CLIPER特性[28]。CLIPER方法中包含气候学因子和持续性因子：气候学因子假定相同时间段内，同一海域内的台风往往具有相似的气候学变化规律，例如南海6—10月台风的生成频数、移速等变量在不同年代际的平均值变化不大；持续性因子则描述为台风当前状态与前期状态的变化幅度不大，体现了短时间尺度台风运动的“惯性”和“持续性”，例如当前时刻台风中心的经纬度、附近风速、中心气压等变量与前6 h相应变量的差值[29-32]。因此可以通过统计待预报区域历史台风变化的气候特征，用逐步回归等方法挑选方差贡献最大且通过置信度检验的气候持续性因子建立回归预报方程[33]。2007年，KNAFF et al.[34]首次利用气候持续性方法建立了34 kt、50 kt、64 kt特征风圈半径的统计预报模型，模型中引入了纬度、台风移速和中心最大风速等3个气候持续性因子，可以为大西洋、东太平洋和西北太平洋提供预报时效为5 d的风圈半径预报。2018年，KNAFF et al.[35]在模型中进一步考虑了风圈的不对称性，使风圈半径预报结果更符合实际。

统计预报可以抓住影响台风大风的主要因子建立一些较合理的统计模型，且易于在日常业务中投入使用；但其缺陷在于理论机制不够明确，欠缺考虑各因子间的相互作用和风的非线性特征。

3 数值模式预报

数值模式预报是在给定初始条件下，通过对大气运动方程组进行数值积分，从而得到未来某一时刻大气环流的状况和气象要素的分布特征，它是当前台风预报业务中不可缺少的工具。在台风大风预报方面，模式不仅可以给出常规的局地风力预报，还可提供特征风圈半径及范围的预报。下文以ECMWF、美国国家环境预报中心(National Center for Environmental Prediction，NCEP)、国家气象中心、上海台风研究所及广州热带海洋气象研究所几家机构为例，介绍国内外台风大风的数值预报情况。

ECMWF作为全球领先的预报中心，其综合预报系统(Integrated Forecast System，IFS)下有不同时空分辨率和预报时效的预报产品，最高分辨率(high-resolution，HRES)内细网格10 m风预报产品的空间分辨率已达0.125°×0.125°，预报时效长达10 d，前72 h时间分辨率为3 h，72 h后分辨率为6 h，目前已在台风大风预报中展现了很好的应用价值[36-38]，可精细化地预报大风出现的时间、影响范围和强度。集合预报是减小各种不确定性影响数值预报结果的有效方法[39]，ECMWF的集合预报系统(Ensemble Prediction System，EPS)水平分辨率为18 km，每12 h预报一次，预报时效可达360 h，其包含一个控制成员和50个集合成员，可提供地面10 m风场不同等级风速的概率分布，是目前应用较为广泛的风速集合预报产品[40]。

NCEP全球预报系统(Global Forecast System，GFS)则研发了从地面到对流层顶不同气压层的多种分辨率风预报产品，空间分辨率最高为0.25°×0.25°，时间分辨率为3 h，它不仅是台风大风预报中常用的全球模式资料，也是众多区域模式的初始背景场资料之一。特征风圈预报是海上台风大风预报不可忽视的重要内容，NCEP下设的美国国家飓风中心(National Hurricane Center，NHC)有很长的风圈预报历史：2006年开始利用过去5 a飓风路径、强度和风场结构的预报误差分布，基于Monte-Carlo方法和风速-半径模型开展特征风圈34 kt、50 kt、64 kt的概率预报，预报时效为120 h(图2)[41]；并于2010年改进升级，采纳了更具针对性的集合预报路径信息，有效地提升了预报技巧，并有望在今后逐步引入集合预报的强度和风场结构信息[42]。此外，NHC还开发了区域飓风业务与研究系统(Hurricane Weather Research and Forecasting，HWRF)，该系统基于双向移动嵌套技术可在台风区域实现路径、强度和结构的2 km水平分辨率预报[43]。

图2 2008年9月7日12：00(UTC)美国国家飓风中心发布的飓风“艾克”0～120 h 64 kt累计大风概率(色阶)预报产品(引自DE MARIA et al.[41])Fig.2 The 0-120-h cumulative 64-kt wind probabilities (color scale) for Hurricane Ike starting at 12:00 UTC 7 September 2008 obtained from the NHC Web page (Credit: DE MARIA et al.[41])

近几十年来，我国数值预报技术的发展也十分迅速。国家气象中心在IFS模式框架基础上研发了全球中期数值预报模式T213，后经改进完善升级为T639，其大风预报产品空间分辨率为0.3°×0.3°，时间分辨率为3 h，不少学者[44-45]对T639的台风大风预报效果进行过检验评估，发现其预报风速整体偏小、风速的平均误差随大风级数的增加而增加，但风场分布能形象刻画台风眼、台风尾迹等气旋性特征。之后，国家气象中心又基于GRAPES-MESO模式，建立了区域台风数值预报系统GRAPES_TYM，模式覆盖我国台风预报责任海区(90°～171°E，0°～51°N)，水平分辨率为0.15°×0.15°，时间分辨率为3 h，预报时效为120 h。该系统于2012年投入业务运行并得到持续改进，包括对流参数化方案、涡旋初始化、模式分辨率、预报范围等，其风场预报能力也得到了不断的提升[46]。此外，2016年正式业务化应用的GRAPES_GFS模式也具备10 m风场的预报能力(图3)，其水平分辨率为0.25°×0.25°，预报时效长达240 h，且该模式在2021年9月进行了版本升级，新版本开发了全球台风路径叠加120 h累计大风等产品，标志我国具备了全球台风监测预报服务能力(http://www.cma.gov.cn/2011xwzx/2011xqxxw/2011 xqxyw/202108/t20210831_583897.html)。

图3 2021年第18号台风“圆规”影响期间GRAPES_GFS发布的华南10 m风场(色阶：风速，单位：m·s-1)预报(起报时刻为10月12日00：00(UTC)，预报时效为24 h)Fig.3 GRAPES_GFS 10-m wind field (color scale: wind speed, units: m·s-1)forecast (the initial time is 00:00 UTC 12 October and the lead time is 24 h) in South China during the influence of Typhoon Kompasu (2021)

上海台风研究所于2004年建立了GRAPES-TCM台风数值预报系统[47]，空间分辨率为0.25°×0.25°，时间分辨率为6 h，之后又研发了上海快速更新同化数值预报系统SMS-WARR[48]和高分辨率台风数值预报模式STI-THRAPS[49](水平分辨率达0.1°×0.1°，时间分辨率为1 h)。业务应用表明这些模式在华东地区的台风大风预报中占明显优势，图4展示了各个模式对台风“菲特”7级、8级、9级以上大风的预报评分情况，由风险评分(threat score，TS)和公平技巧评分(equitable threat score，ETS)可以看出STI-THRAPS在较大风速量级上(8级以上)优势明显，同时击中率和漏报率也表明STI-THRAPS明显优于其他模式。广州热带海洋气象研究所于2006年基于GRAPES非静力模式框架建立了南海台风模式(TRAMS-v1.0)，后经两次技术方案的改进，现已更新形成TRAMS 3.0版本[43,50]。目前模式覆盖范围为81°～161°E，0°～51°N，空间分辨率提高至9 km，预报时效为72 h，可为华南沿海地区提供大风要素预报。

图4 台风“菲特”风速预报评分(a. TS，b. ETS，c.击中率，d.空报率，e.漏报率，f.频率偏差)(引自王晓峰等[49])Fig.4 Evaluation of wind speed predicted by models (a. TS， b. ETS， c. probability of detecting Yes， d. false alarm ratio， e. frequency of misses， f. frequency bias) for Typhoon Fitow (Credit: WANG et al.[49])

数值模式具有严谨的理论基础，较强的数学物理解释和数值推演能力[51]，但台风大风过程具有很强的非线性特征，且下垫面非均匀强迫作用不可忽视，因此模式的物理过程参数化、初始误差及地形作用描述不足等问题将导致预报效果不尽人意。

4 数值预报产品的释用

数值预报产品的释用指对模式产品进一步解释和应用，具体而言就是利用统计、动力、人工智能等方法，对数值预报结果进一步分析、订正。充分利用数值预报产品进行本地化、精细化地释用已成为台风预报业务发展的趋势，台风大风预报中常用的释用方法从技术方法层面上可划分为动力释用、统计释用和人工智能释用[52]。

4.1 动力释用

动力释用即利用反映特定天气的物理概念模型或动力学背景条件的物理量，对数值预报结果进行订正。前人把握住了影响台风风场和气压场的主要因子，建立了一些较为合理的台风模型如藤田公式[53]、Holland模型[54]、Rankine涡风场[55]，这些基于梯度风平衡公式的台风气压场、风场模型是台风风场数值预报的物理基础，不少学者在改进或利用这些模型的基础上实现了台风大风数值预报的动力释用。

郝世峰等[56]通过分析影响台风大风预报误差的主要因子，利用藤田气压公式、考虑地形和摩擦影响的极坐标正压原始方程推导出了地形坡度订正量、气压梯度订正量、气旋中心位置距观测点距离订正量，把握住这3项的误差即可对台风的数值预报风场进行动力修正，针对2007年台风“韦帕”的试验研究也表明该方法可改善风速预报效果。文中还指出具体到实际业务中，根据模式前几个时次的预报分析结果或集合预报成员的对比，把握台风中心气压、位置、移向和移速4个因子并将误差向正确方向估计，即可实现对台风风场的动力订正。

基于上文郝世峰等[56]提出的台风风场动力订正方法，一项将预报员对数值模式预报的台风路径和强度的主观订正信息客观化，进而对模式预报的风场进行订正的热带气旋风场动力释用技术(简称“TCwind”)于2015年8月正式通过中央气象台官方网站对社会发布(http://www.nmc.cn/publish/typhoon/wind.html)，该技术在台风业务预报及会商中得到了广泛应用，并为“台风破坏力预估”“港口大风影响时间”等决策服务提供了支撑。TCwind与GRAPES_TYM的结合，形成了基于中央气象台台风主观位置和强度预报的10 km逐小时精细化大风订正预报产品，推动了台风业务的精细化水平和自动化程度的提高，得到社会广泛关注。

4.2 统计释用

统计释用是在数值预报产品基础上，结合大量的历史观测资料，利用统计学方法对数值预报结果进行分析、订正，从而获得更为精确的台风大风要素预报结果或特殊服务需求的预报产品[57]。区别于传统的统计学方法，统计释用使预报因子与预报量在时间上的同期关系成为可能，完全预报(perfect prognosis，PP)法和模式输出统计(model output statistics，MOS)法是国内外预报中创造预报因子与预报量同期关系的常用途径[58-60]，下文主要介绍PP法和MOS法在台风大风预报中的统计释用。

PP法使用实际观测资料与预报量建立统计关系，预报时用当时的数值预报资料来代替实际观测资料，即完全预报是假定数值预报结果与观测实况是完全一致为前提的。朱智慧等[61]基于PP法利用2011—2012年上海沿海5个浮标站资料，建立了各站台风影响期间的逐小时2 min平均风速和极大风速的一元一次回归方程，并结合经逐步订正后的WRF模式10 m平均风速进行台风期间的极大风速预报。MOS法则是用数值预报产品与同一时刻的预报量直接建立关系，预报时使用当时的数值预报产品直接计算出预报量。杨美川等[62]利用数值模式输出的预报场和非模式输出因子组成多张概率图作为综合因子，建立了台风大风及暴雨预报方程，且对8012号台风的实际预报起到了较好的服务效果，这是县气象站使用MOS方法的一次初步尝试。

4.3 人工智能释用

人工智能释用是通过发展非线性回归预测技术，达到订正数值预报输出误差的目的。KRETZSCHMAR et al.[63]和MARZBAN and STUMPF[64]曾利用神经网络方法进行局地风力预测，取得了比统计方法更好的释用效果。台风大风作为一个具有高度非线性特征的物理量，其预报不但要考虑台风自身因子，还要考虑环境场及其他系统的作用，因此人工智能的引入可为台风大风预报提供新思路、新工具。

孙军波等[65]对我国沿海地区2002—2006年的NCEP再分析场资料做相关分析，选取与站点风速相关性较好的9个因子，运用BP神经网络对各站点分别建立纬向风和经向风人工神经网络模型直接对各站点的风向风速做出预报，独立样本试验证实该模型的风速预报效果优于NCEP资料直接内插后的结果，但风向预报效果较差。为进一步提高人工神经网络的预报能力，董彦等[66]利用1980—2012年的南海台风资料，用逐步回归方法对预报因子进行筛选并作为模型输入，模仿集合预报的思想建立基于遗传算法的神经网络集合预报模型，对台风中心周围36个格点的风速进行24 h预报，并与传统的逐步回归模型进行对比分析，结果表明该模型在不同级别的风速预报中均占优势，特别是对于风速V≥10 m·s-1的大风过程。黄铭枫等[67]将由经验模态分解和小波变换的WRF风速数据作为神经网络的输入，对比了BP、Elman、GRNN和ANFIS等4种神经网络模型对台风“泰利”和“康妮”的风场模拟和预测结果，结果(图5)表明，小波变换和BP神经网络组合具有最优的台风风速预测精度。

图5 不同神经网络方法预测台风“泰利”(a)和“康妮”(b)过境风速误差对比(引自黄铭枫等[67])Fig.5 Comparison of prediction error of wind speed with hybrid neural network methods in Typhoon Talim (a) and Kong-rey (b) (Credit: HUANG et al.[67])

为了避免人工神经网络等方法的网络结构难以确定、过学习和欠学习以及局部极小等问题，钱燕珍等[68]将支持向量机(support vector machine，SVM)方法运用到登陆台风站点风预报中。通过分析2002—2007年的NCEP再分析场资料和台风年鉴资料，从台风强度、高低空环境场要素和站点地形情况3方面找出并设计与站点大风预报可能相关的因子，利用SVM建立了4种预报模型，检验表明当上述3个方面的相关因子比例接近时，模型预报能力最佳，风速平均绝对误差为1.75 m·s-1。何彩芬等[69]将改进后的果蝇优化算法引入到模糊支持向量机中，建立台风阵风预测模型，该模型具有很高的预测精度，预测风速与真实风速之间的相关性达到99%，能较好地解决传统人工经验预判风速存在较大误差的问题。

数值预报产品的释用可在一定程度上订正模式预报误差：动力释用可进一步考虑大风的物理过程和地形的作用，MOS法和PP法等传统统计释用以其简便性而被广泛应用，人工智能释用则可考虑大风的非线性特征，但上述释用方法对模式的依赖性很强，在数值预报不稳定的情况下会产生较大误差。

5 小结与讨论

经验预报是根据天气学原理和多年的预报经验，利用天气图、卫星云图和雷达图等总结出的预报方法。统计预报是构建能够代表台风大风的预报量与易获取且相关性好的预报因子间的预报模型，较常用的3种统计预报方法有回归预报、客观相似预报、气候持续性预报。国内外多家预报机构均研发了台风大风或相关要素如风圈半径的数值预报产品，且逐步向更高分辨率、更精细化的方向发展。数值模式的释用可一定程度上订正数值预报的误差，目前台风大风预报中常用的释用方法有动力、统计和人工智能。

鉴于上述4类预报方法各有优缺点，未来可在以下4个方面加强。

(1)进一步发展并利用各类预报技术的优势、降低其局限性。例如：①通过提高模式分辨率及涡旋初始化技术，加强物理过程参数化等对数值模式进行技术改进；②通过加强人工智能模型的学习过程和物理规律的可解读能力，改善神经网络机构和数据增强技术等，进一步发挥其处理复杂非线性天气过程(如本文探讨的台风大风)的优势[51]。

(2)台风大风预报需考虑众多因素的影响，不同发展阶段的大风过程需要不同的预报技巧，在实际应用中应灵活运用或结合各类预报技术，不能过分依赖单一预报方法。如模式的格点预报产品较难反映台风的结构特征，因而很难快速、准确地预报大风，所以在临近预报中须更多关注卫星、雷达和台站等实况资料，判断台风结构的演变以进一步预判大风的起止时间、范围和强度，提高预报效果[7]。

(3)集合预报可以减小数值预报结果的不确定性，提供未来天气演变的多种可能性，是当前台风预报中的主要工具和研发方向，但其在大风预报中的相关预报检验和应用还较少[70-72]，未来如何利用集合预报的优势实现台风大风预报新突破，是一个值得探究的问题。

(4)探索新的预报技术，拓宽台风大风预报的发展空间。如任福民和向纯怡[73]、REN et al.[74]最近发展的动力统计相似集合预报(dynamical statistical analog ensemble forecast，DSAEF)理论已在登陆台风过程降水[75]和日降水[76]中展现了良好的应用前景，未来这一理论推广至台风大风预报中将取得怎样的效果，值得进一步开展研究。