在全球变暖与非平稳气候背景下，次季节至季节（S2S）尺度极端洪涝预测深陷“可预报性沙漠”。传统的纯物理水文模式受制于气象强迫单向输入，极易引发误差级联放大；而纯数据驱动的深度学习模型在极值外推时常面临物理崩溃。加强时间、空间与圈层的联系，实现水文物理机制与人工智能（AI）的交叉融合，是构建“无缝隙预测”体系的必然趋势。报告将以自主研发的高分辨分布式水文动力学模式（DRIVE）为核心，梳理水文气象预报向“智能融合”演进的最新进展。重点分享团队近期在S2S概率预测领域的交叉探索（如 Jiang et al., 2025; Li et al., 2025），探讨如何通过耦合DRIVE数值演算、贝叶斯联合概率推断（BJP）与深度学习网络（LSTM等），构建“物理-统计-AI”混合预测框架，从而有效弥合长预见期下多源气候信号与水文记忆的预报断层。在此基础上，报告将进一步反思当前AI与水文模式“松散耦合”在应对复合极端巨灾时的局限，并前瞻性地探讨未来演进趋势。
 

物理驱动,智能融合,极端洪涝,无缝隙预测