针对当前三维变分（3DVar）静态背景误差协方差（BEC）难以捕捉强对流非线性误差特征，且集合-变分混合方法计算成本高昂的业务瓶颈，本研究针对强对流预报，开发了一种基于人工智能驱动的流依赖背景误差协方差（AI-BEC）方案。研究构建了改进的VGGNet深度学习模型以实时估计背景场不确定度，并将其映射为动态权重矩阵，从而在变分框架内实现对静态BEC的灵活调节。理想单点试验结果表明，采用AI-BEC能够生成契合背景场不确定度的各向异性分析增量；实际强降水个例的评估显示，采用AI-BEC有效克服了使用传统静态BEC方案易导致降水强度系统性高估的缺陷。定量检验显示，AI-BEC方案在维持降水落区预报准确率（POD）的前提下，显著降低了暴雨及大暴雨级别的虚警率，全面提升了高阈值下的TS评分。综上，AI-BEC方案在不显著增加计算负担的前提下，成功捕捉了由天气形势驱动的流依赖误差，为快速更新循环同化业务系统引入动态误差演变特征，提供了一种兼具高计算效率与预报精度的解决方案。

资料同化,强对流,背景场误差协方差,深度学习