针对西北太平洋热带气旋结构尺度精细化预报问题，本文提出了一种基于多模态卫星资料的热带气旋结构尺度多任务预报模型，实现了对R34、R50和R64三种结构尺度在四个象限上的联合预报。该模型通过构建刻画热带气旋结构尺度非对称性指标，量化不同象限之间的尺度差异，从而反映热带气旋风场结构的不对称特征。在特征建模过程中，模型首先从原始多源气象数据中提取通用结构尺度特征，随后对四个象限子图序列进行分象限精细特征提取。通过融合通用特征与精细特征，使模型既能够把握气旋的整体形态变化，又能够识别各象限上的结构尺度差异。在此基础上，引入多任务学习框架，对不同结构尺度及不同象限的预报任务进行联合训练，使各任务之间共享与互补信息，从而提高预测结果的准确性。实验结果表明，本文提出的模型在结构尺度预报任务中整体性能优于多种主流深度学习模型，在R34尺度下，四个象限的24小时平均预报误差为21.95-26.79nmi；在R50尺度下，误差为12.79-16.43 nmi；在R64尺度下，误差为6.3-8.07 nmi。

热带气旋,结构尺度,多模态卫星资料,深度学习,多任务学习