南海北部边界层急流（Boundary-layer jet, BLJ）对华南沿岸的强降水过程具有重要影响，然而，不同模式框架下边界层急流的可预报性仍未得到充分了解。本研究系统比较了传统数值天气预报——欧洲中期天气预报中心（ECMWF）模式，以及数据驱动的人工智能（Artificial Intelligence, AI）模式——盘古气象模型（Pangu）对BLJ的预报性能。结果表明，AI模型在整体预报精度方面优于数值天气预报模式，表现为更低的均方根误差（RMSE）以及更准确的风向模拟。然而，两种模式呈现出显著不同且相反的系统性误差结构。ECMWF模式持续高估边界层急流强度和空间范围，同时伴有急流核位置向西北方向偏移以及风向顺时针偏差的特征。相反，Pangu模型则低估边界层急流强度，其急流核位置向东北方向偏移，并存在逆时针的风向偏差。基于两种模式之间具有互补性的误差特征，本文构建了一种基于U-Net的融合预报框架，并设计了一种复合损失函数，将平均绝对误差（MAE）、漏报率（Miss Rate）和空报率（False Alarm Rate）相结合。融合后的预报结果在多个边界层急流评价指标上均显著优于单独使用任一模式的预报结果。研究结果表明，将基于物理过程的数值模式预报与基于数据驱动的AI预报相结合，能够有效减小两类模式的系统性偏差，从而提高边界层急流的预报能力，这也为构建面向极端天气事件的融合预报系统提供了一条具有潜力的发展路径。
 

边界层急流,人工智能,数值模式,U-net模型,融合预报