基于CNOP方法的目标观测是改善台风等高影响天气事件预报效果的有效手段。传统的目标观测以数值天气模型为基础，此类模型的求解需要大量计算资源，且反问题求解困难。近年来，基于人工智能技术的天气模型不断发展，此类模型改善了预报精度，提高了计算效率，且具有成熟的梯度优化方案，在目标观测方面具有独特的优势。
在本研究中，我们针对FuXi模型设计了长优化时段下的CNOP求解方案，基于此检验了目标观测的效果，并使用数值模型对于最优扰动的发展性以及目标区域的有效性进行了检验。首先，我们结合多个台风个例，对比了不同约束半径和优化时长下的CNOP结果，验证了在不同约束和优化时长下，FuXi能够给出具有特定结构且符合物理特征的CNOP型初始扰动，优化时长更长的CNOP型扰动对于台风预报的长期影响更加显著，且FuXi给出的最优扰动在WRF中发展快速，能够通过WRF中的CNOP检验。在此基础上，我们通过多个个例，验证了基于FuXi模型CNOP给出的敏感区可用于目标观测，改进台风5天预报，并检验了FuXi给出的敏感区在数值模式中依然有效。本研究对于实现快速目标观测，改善高影响天气事件的预报效果具有重要意义。
 

人工智能；目标观测