高臭氧污染是京津冀地区重要的环境气象灾害之一，其形成和发展受到区域环流、边界层热力结构及污染输送过程的共同影响。现有数据驱动预报模型对高浓度臭氧过程普遍存在系统性低估，且能够提供的有效预报时效相对有限。为揭示高臭氧污染过程的关键气象驱动机制，基于2019—2023年气象与空气质量资料开展合成异常分析。结果表明，京津冀高臭氧过程主要对应中层反气旋异常、高温、低湿、显著下沉运动和深厚逆温层的协同配置。该气象形势抑制边界层内污染物的垂直扩散，同时偏南气流输送进一步促进近地面臭氧快速累积。

在气象机制诊断的基础上，构建了融合欧洲中期天气预报中心数值天气预报资料和空气质量观测资料的自适应残差订正网络，实现未来240小时逐小时臭氧浓度预报。模型采用回归—分类双分支结构，将臭氧浓度连续值预测与污染等级识别相结合，以增强模型对高浓度臭氧特征的辨识能力；同时引入受污染等级先验信息约束的三重门控自适应残差订正模块，根据不同污染水平动态调整预报偏差，减弱极端高值过程中的系统性低估。

利用2023年京津冀13个城市资料开展独立预报检验。结果显示，模型在24小时预报时效的决定系数达到0.879，均方根误差为17.03微克每立方米；在240小时预报时效，决定系数仍达到0.749，均方根误差为24.57微克每立方米。针对日最大8小时滑动平均臭氧浓度超过215微克每立方米的极端污染过程，模型的临界成功指数较基准模型提高63.9%。在一次典型高臭氧污染过程中，针对215～265微克每立方米浓度区间，均方根误差降低33.15%。

研究表明，将高臭氧污染的关键气象驱动信息与双分支学习和动态残差订正方法相结合，能够有效减轻高浓度臭氧预报中的低估问题，并在较长预报时效下保持较好的预报能力，可为京津冀高臭氧污染天气的中期风险预警和环境气象服务提供技术支撑。