云的发展演变与暴雨、强对流等极端天气紧密相关，精准预判云物理属性的演化规律，是提升极端天气预报预警能力的关键所在。然而，数值天气预报模式对云物理属性的预报存在较大的不确定性；而传统统计方法难以捕捉云系复杂的非线性变化，现有基于人工智能技术的云预报模型，也多聚焦于云量变化，缺乏对于云物理属性动态演变的关注。

为此，复旦大学大气与海洋科学系张峰教授及其合作者将傅里叶神经算子（FNO）方法应用于云物理属性短期预报领域，依托自主研发的葵花八号静止卫星 AHI 成像仪全天时云产品资料，构建出适用于云物理属性短期临近预报的 Cloud-FNO 模型（图1）。该模型进一步集成至团队研发的 “大禹” 云分析系统（DaYu-CLAS）中，为该系统增添的云物理属性短临预报能力。

图1. （a）Cloud-FNO模型整体框架以及（b）自回归策略实现6小时云物理属性短临预报。

该模型融合了深度学习的非线性拟合能力与傅里叶变换的频域分析优势，通过多任务学习框架与自回归策略，实现了6小时内逐 30 分钟、5 公里空间分辨率的云相态（CLP）、云顶高度（CTH）、云粒子有效半径（CER）和云光学厚度（COT）短临短临预报。独立测试集的评估结果显示，Cloud-FNO 模型的预报结果在其 6 小时内预报的CLP平均识别准确率超过74%，CTH、CER 和 COT 平均均方根误差分别为 2.28 km、6.52 μm 和9.01，展现出优异且稳定的预报能力（图2）。此外，以极轨卫星 MODIS 官方产品为基准的对比测试结果进一步证实，Cloud-FNO 模型 6 小时内的预报精度显著优于当前先进的视频预测（Cloud-SimVP）模型的云预报结果，说明其具备可靠的短临预报性能。

图2. 独立测试集上不同预报时刻的（a-f）CLP混淆矩阵以及（g-l）CTH、（m-r）CER和（s-x）COT联合概率密度分布图。

在 2017 年 3 月 22 日的强对流天气过程中，该模型 6 小时的CLP 平均识别准确率仍可达76%，CTH、CER和COT平均均方根误差为 2.15 km、6.18 μm、9.25，各项预报指标与测试集的结果相当，并且能够精准捕捉赤道（10°S附近）和中高纬度（40°N和40°S附近）等地区冰云、10 km以上高云以及厚云等云团的快速移动和云物理属性变化特征，有效应对极端天气下云系快速演变的预报挑战（图3）。

图3. 2017年3月22日UTC 00:00至06:00期间，真实全天时云产品和Cloud-FNO模型预测的（a-f）CLP、（g-l）CTH、（m-r）CER 和（s-x）COT 的空间分布图。

上述相关成果已发表在Geophysical Research Letters杂志上，复旦大学大气与海洋科学系张峰教授为论文第一作者和通讯作者，论文合作者包括复旦大学大气与海洋科学系张人禾院士，中国气象局人工影响天气中心蔡淼正研级高工，中国气象局国家卫星气象中心陆风研究员等人。

论文信息：

Zhang, F., Hong, X., Zhao, Z., Gan, Z., Ouyang, P., Xiao, H., Zhang, R., Wei, X., Cai, M., & Lu, F. (2026). Short-term forecasting of cloud physical properties based on Fourier neural operator methods. Geophysical Research Letters. https://doi.org/10.1029/2025GL119553.