雷电是一种典型自然灾害，对人类活动及工业生产影响重大，开展精细化雷电预报对防灾减灾意义重大。传统的雷电预报方法依赖数值天气预报（NWP）模式，计算成本高，精细度受限。近年来，以人工智能为代表的数据驱动型气象预报技术快速发展，尤其是基于深度神经网络的气象大模型，通过挖掘历史数据中的潜在规律，在较低计算成本下获得与NWP模式相当的预报精度。
本研究探索了两种人工智能驱动的精细化雷电预报方法：一是提出基于双时空编码的融合预报模型，分别从雷达、气象站观测数据中提取短期、强相关的雷暴微尺度信息，从NWP模式数据中提取长期、大尺度的天气演变趋势，通过神经网络融合二者优势，生成精细化雷电预报结果。华北地区实测验证表明，该方法在6小时预报时长、1小时和0.04°×0.04°分辨率场景下，威胁评分（ETS）较传统方法提高3倍，显著提升短临雷电预报性能。
二是探索气象大模型驱动的雷电预报技术。由于现有气象大模型仅能输出粗分辨率气象参量预报，尚不能直接得到精细化雷电预报产品，因此提出门控时空融合网络（gSTFNet），通过门控机制动态挖掘大模型预报与临近闪电观测的相关性，自适应融合生成高精度雷电预报结果。广东地区实测结果显示，gSTFNet的ETS评分较单纯使用气象大模型提升50%，有效拓展了气象大模型在精细化雷电预报中的应用能力。

雷电预报,人工智能,气象大模型