台风：海洋上的巨型风暴
台风是热带气旋的典型代表，常以每小时数十公里的速度移动，伴随强风、暴雨和风暴潮。其形成需要三个关键条件：温暖海水（≥26.5℃）、低层大气辐合、科里奥利力作用。卫星云图上，台风呈现螺旋状云系，中心为“风眼”——气压极低、风速趋近于零的平静区域，而眼墙区域则风力最强。
天气预报对台风的监测依赖多源数据融合：静止卫星每15分钟更新一次云图，浮标实时传输海温，雷达探测近地面降水结构。数值预报模型通过大气动力学方程模拟台风路径，但初始场误差可能导致24小时后路径偏差超100公里。因此，预报员需结合经验修正模型输出，发布“台风警报”时通常会划定多个风险圈层。
雾霾：静稳天气下的隐形杀手
雾霾是悬浮颗粒物（PM2.5/PM10）与水汽凝结的混合物，其形成与气象条件密切相关：当近地面风速＜2m/s、逆温层抑制垂直对流时，污染物易积聚。冬季供暖、工业排放和机动车尾气是主要污染源，但气象因素常起“放大器”作用——例如，北京冬季雾霾高发期，逆温层可持续3-5天，PM2.5浓度可在24小时内从50μg/m³飙升至500μg/m³以上。
雾霾预报需整合大气化学模型与气象模式。欧洲中尺度预报中心（ECMWF）的CAMS系统可模拟污染物传输路径，而国内研发的“空气质量数值预报系统”能提前72小时预测PM2.5浓度。但局地排放的突发性（如工地扬尘、秸秆焚烧）常导致预报偏差，因此需结合地面监测站、激光雷达和卫星遥感数据动态修正。
预报技术：从经验到智能的跨越
台风与雾霾的预报均经历了从“经验判断”到“数据驱动”的转变。早期台风路径预报依赖历史类似路径比对，如今机器学习模型可分析数万例台风数据，将24小时路径预报误差缩小至60公里以内。雾霾预报则引入深度学习，通过卷积神经网络（CNN）识别卫星云图中的污染扩散模式，结合交通流量、工业生产等社会数据，提升重污染过程预警准确率。
- 台风预报难点：海洋观测数据稀缺、多模式集合预报计算量大
- 雾霾预报难点：排放清单不确定性、局地气象条件突变
- 未来方向：AI与数值模式深度融合、高分辨率网格预报（如1公里×1公里）
