2026年气象AI可解释性技术研究：进展、挑战与未来方向

2026/03/112026年气象AI可解释性技术研究：进展、挑战与未来方向汇报人:1234CONTENTS目录01

气象AI可解释性研究背景与意义02

气象AI可解释性技术发展现状03

气象AI可解释性核心技术方法04

气象AI可解释性技术应用案例CONTENTS目录05

气象AI可解释性技术面临的挑战06

气象AI可解释性技术发展对策07

2026-2030年气象AI可解释性技术展望气象AI可解释性研究背景与意义01全球极端天气频发与气象AI应用现状

01全球极端天气事件频发态势2024年夏季，北半球多地遭遇破纪录高温，欧洲部分地区气温超过40℃，导致森林火灾频发、农作物大面积减产；同年亚洲季风区强降水引发洪涝灾害，仅中国、印度和巴基斯坦三国因洪涝造成的直接经济损失就超过1200亿美元。联合国减灾办公室统计显示，2024年全球因气象灾害导致的伤亡人数较十年前增长了40%。

02传统气象预报的局限性凸显传统气象服务依赖数值预报模型和人工经验分析，短临强对流天气提前预警时间平均仅为30-60分钟，漏报率高达20%；中长期气候预测准确率不足60%。2024年华北地区持续性高温天气中，数值模型对最高气温的预测普遍偏低3-5℃，影响电力应急调度。

03国际气象AI应用前沿进展2024年欧盟启动“数字孪生地球”计划，利用深度学习模型整合多源数据，实现全球范围10公里分辨率高精度天气预报，将台风路径预测误差缩小15%。美国国家海洋和大气管理局（NOAA）应用AI技术，将极端降水预报准确率提升约18%。

04中国气象AI大模型实践成果中国自主研发的“盘古”“风乌”“伏羲”等AI气象大模型在台风预测、短期气候预报等领域表现突出。上海台风智能模型1.0版将预报分辨率提高到公里级，预报时间从传统数值模型的64分钟压缩至3分钟；“风清”大模型全球可用预报天数达到10.5天，超过欧美主流气象预报大模型。气象AI"黑箱"问题的风险与影响公众信任度下降风险2025年某AI气象模型因台风路径预测结果无法解释，直接导致公众对其信任度下降，影响预警信息的有效传达与应对。模型偏见导致决策失误2024年某AI气象模型的降水预报对特定地区存在偏见，未能准确预测降水情况，间接导致该地区出现长期干旱，影响农业生产与水资源管理。科学研究与业务应用障碍AI模型决策过程不透明，难以解释其预测结果背后的物理机制，这不仅阻碍了气象科学对天气规律的深入理解，也给预报员在业务应用中判断和修正模型结果带来困难。可解释性对气象服务信任度的提升价值增强公众对AI预报结果的理解与接受

AI模型的“黑箱”特性导致公众对其预测结果信任度下降，例如2025年某AI气象模型因台风路径预测结果无法解释，影响了公众信任。可解释性技术能让预测结果更透明，帮助公众理解预报依据。提升气象决策支持的可靠性

在防灾减灾、能源调度等关键领域，决策者需要理解预报背后的逻辑。可解释性AI能为决策提供可信依据，例如通过SHAP值分析关键气象特征对预测的贡献，辅助制定更科学的应对策略。促进气象AI模型的持续优化与改进

可解释性技术帮助科研人员识别模型缺陷，如训练数据集不完备或不平衡问题。通过分析模型决策过程，可针对性地优化算法和数据，提升模型的可靠性和泛化能力。2026年气象AI可解释性技术研究意义提升公众信任度与接受度2025年某AI气象模型因台风路径预测结果无法解释，导致公众对其信任度下降，凸显可解释性对建立公众信任的重要性。保障科学决策与防灾减灾效果气象AI模型决策过程透明化，有助于气象学家和决策者理解预测依据，提升极端天气预警、防灾减灾等决策的科学性和有效性。推动气象AI模型优化与改进通过可解释性技术，如SHAP值分析，能够识别影响预测结果的关键气象特征，为模型结构优化、特征工程改进提供方向。促进气象AI技术的规范与伦理发展可解释性是解决AI模型偏见（如2024年某AI气象模型降水预报对特定地区存在偏见）、确保技术公平应用的关键，有助于建立行业规范和伦理准则。气象AI可解释性技术发展现状02国际可解释AI技术研究进展01SHAP值在气象AI模型解释中的应用SHAP值作为基于协同分析理论的工具，能将复杂的气象AI模型预测过程分解为可解释的特征贡献，通过瀑布图等可视化方式，清晰呈现温度、湿度、气压等关键因素对预测结果的累积影响，提升模型透明度与可信度。02欧盟"数字孪生地球"计划中的可解释性探索欧盟"DestinationEarth"计划在第三阶段致力于将AI模型和解决方案融入数字孪生，并将数据转化为高质量AI就绪数据集。其关注AI模型的可解释性，旨在通过物理理解与AI方法的结合，提升天气和气候预测能力的透明度与可靠性。03基于物理约束的混合AI模型研究国际上积极探索将物理定律以"硬约束"或"软约束"方式嵌入AI模型，发展"混合物理-AI模型"。如NeuralGCM等模型先驱，通过融入物理机制，改善AI模型的物理一致性和可解释性，确保在长期模拟或极端外推场景中的有效性。04可解释AI在极端天气预测中的应用实践国外研究团队利用可解释AI技术分析极端天气预测模型，例如在飓风路径预测中，通过特征重要性排序等方法，识别影响预测结果的关键气象因素，帮助气象学家理解模型决策逻辑，提升对极端天气事件预测的信任度。国内气象AI可解释性技术应用现状

技术探索与模型研发进展国内在气象AI可解释性技术方面积极探索，如内蒙古自治区气象台等机构已开展可解释人工智能在气象预报中的应用研究，关注解释性AI模型开发及与数值预报的融合。

SHAP值等解释工具的实践应用SHAP值等基于协同分析理论的工具被应用于气象AI模型，通过特征贡献度可视化等方式，帮助理解温度、湿度、气压等因素对预测结果的影响，提升模型透明度。

物理机制融入提升模型可解释性中国气象局发布的“风清”大模型具有大气强物理融入和可解释性，其训练结合物理守恒特性，能为预测结果提供物理可解释性依据，自动挖掘天气系统内在物理演变。

行业标准与规范建设推进相关研究强调需建立AI气象数据、算法、服务及安全的国家标准与行业标准，确保技术应用规范化，为可解释性技术的推广应用提供制度保障。主流可解释性技术在气象领域的适配性分析

SHAP值在气象AI模型中的应用价值SHAP值作为基于协同分析理论的工具，能将复杂的气象AI模型预测过程分解为可解释的特征贡献，如温度、湿度、气压等关键因素对预测结果的正负影响，为气象学家和决策者提供直观依据，提升模型透明度与信任度。

特征贡献度可视化技术的实践意义通过瀑布图等可视化方式，可清晰呈现多个气象特征对预测结果的累积贡献效应，从基准预测值开始，依次叠加各特征影响形成最终结果，帮助理解不同气象要素如何共同作用于天气预测，如地理空间散点图可展示不同经纬度下模型预测的稳定性差异。

物理机制嵌入对可解释性的增强将物理定律以“硬约束”或“软约束”方式嵌入AI模型，发展“混合物理-AI模型”是提升可解释性的关键。例如，中国气象局“风清”大模型具有大气强物理融入和可解释性，能为预测结果提供物理可解释性依据，自动挖掘天气系统内在的物理演变。

模型可解释性不足的现实挑战当前AI气象模型存在“黑箱”难题，决策过程不透明。如2025年某AI气象模型台风路径预测结果无法解释，导致公众信任度下降；部分模型对台风数据生成只能6小时刷新一次，时间分辨率不足，难以捕捉“蝴蝶效应”等微小扰动，影响解释的精细度。2026年气象AI可解释性技术突破方向

物理机制嵌入与约束融合技术将能量守恒、质量守恒等物理定律以“硬约束”或“软约束”方式嵌入AI模型，发展“混合物理-AI模型”，如NeuralGCM模型，提升模型可靠性与可解释性，确保长期模拟稳定性。

SHAP值等可解释性工具深度应用利用SHAP值等工具对气象AI模型进行特征贡献度可视化，清晰呈现温度、湿度、气压等关键因素对预测结果的影响，如通过瀑布图展示特征累积贡献效应，增强模型透明度与信任度。

动态预警与决策过程追溯技术开发模型决策过程的动态追溯系统，结合实时数据分析实现预警逻辑的可视化呈现，例如2025年某AI气象模型通过该技术解释台风路径预测结果，提升公众对预报的信任度。

多源数据融合解释框架构建建立整合卫星观测、地面传感器、历史记录等多源数据的解释框架，通过地理空间分析（如SHAP值与地理坐标结合的散点图），识别模型在不同区域的预测特征模式，为区域性预报优化提供依据。气象AI可解释性核心技术方法03模型内在可解释性方法研究

物理约束嵌入技术将能量守恒、质量守恒等物理定律以“硬约束”或“软约束”方式嵌入AI模型，如中国气象局“风清”大模型通过大气强物理融入，为预测结果提供物理可解释性依据。

注意力机制可视化利用Transformer等架构中的注意力权重，直观展示模型对不同气象要素（如海表温度、气压）的关注程度，帮助理解模型决策焦点，如ENSO预测中对太平洋中部敏感区的识别。

特征重要性量化分析通过SHAP值、LIME等工具量化各气象特征对预报结果的贡献，如温度、湿度、风速等要素的正负影响，提升模型透明度，2025年某研究利用SHAP值揭示了海拔高度对降水预测的显著影响。

混合物理-AI模型构建融合传统数值模式的物理机制与AI的数据拟合能力，如“风雷”大模型将物理模型的中尺度预报和人工智能的对流尺度预报有机融合，在保证精度的同时增强可解释性。事后解释技术在气象AI中的应用

SHAP值特征贡献度分析SHAP值作为基于协同分析理论的工具，能将气象AI模型复杂的预测过程分解为可解释的特征贡献，如温度、湿度、气压等关键气象要素对预测结果的正负影响，提升模型透明度。

特征重要性排序与优化指导通过特征重要性排名，可识别对气象预测影响显著的因素，如某气象站海拔高度对降水预测的显著影响，指导特征工程优化方向，提升模型性能。

地理空间可视化解释分析将SHAP值与地理坐标结合，通过散点图等可视化方式展示不同经纬度下模型预测的稳定性差异，帮助识别区域性气象预测特征模式，为针对性预报提供依据。

样本相似性与共性规律识别基于样本相似性排序的可视化分析，能识别相似天气事件中特征贡献的连续性模式，为气象预测模型优化提供数据支撑，增强对同类天气事件的预测能力。SHAP值在气象预测模型中的实践应用

特征贡献度可视化技术通过瀑布图等形式，将温度、湿度、气压等气象特征对预测结果的正负影响依次叠加展示，直观呈现各因素如何共同作用于最终天气预测结果。

从黑盒到透明：重塑气象预测信任度SHAP值将复杂的AI模型预测过程分解为可解释的特征贡献，为气象学家和决策者提供直观依据，解决传统模型“黑盒”决策过程难以追溯的问题，提升对AI预测结果的信任。

基于地理空间的气象预测解释分析将SHAP值与地理坐标结合，通过散点图的颜色编码和空间分布，快速识别模型在不同纬度和经度下的预测特征模式，为区域性气象预测提供针对性指导。

特征重要性排名的实际应用价值帮助理解模型工作机制，指导特征工程优化方向，例如发现特定气象站海拔高度对降水预测的显著影响后，可进一步优化相关特征的提取和处理方法。

预测透明度与模型监控通过持续监控SHAP值的分布变化，能够及时发现模型的性能衰减或概念漂移问题，确保气象AI预测系统的可靠性和稳定性。物理约束与AI模型融合的可解释性方法

01硬约束嵌入：物理定律的显式整合将能量守恒、质量守恒等基本物理定律以数学方程形式直接嵌入AI模型结构，确保模型输出符合物理规律，例如在模拟大气运动时强制满足动量守恒方程，提升模型行为的可解释性与可靠性。

02软约束引导：物理先验的损失函数设计在模型训练的损失函数中引入物理先验知识惩罚项，如对不符合热力学第二定律的预测结果施加额外损失，引导模型学习符合物理常识的特征关系，例如中国气象局“风清”大模型结合物理守恒特性提升长时效预报活跃度。

03混合物理-AI模型：优势互补的解释路径将传统物理数值模式作为AI模型的前置处理或后处理模块，形成“物理模拟+AI优化”的混合架构。例如，美国国家大气研究中心（NCAR）的深度学习模型结合物理方程成功模拟了ElNiño现象90%的变异特征，既保留物理可解释性又发挥AI优势。

04物理驱动的特征工程：可解释性的输入优化基于气象学原理设计AI模型的输入特征，如将位温、涡度等具有明确物理意义的变量作为模型输入，替代原始观测数据的直接使用。例如，在台风路径预测中，利用物理启发的特征（如海平面气压梯度）提升模型对台风移动机制的可解释性。可视化技术在气象AI解释中的应用

特征贡献度瀑布图：直观呈现影响因素通过瀑布图将多个气象特征对预测结果的累积贡献效应可视化，从基准预测值开始，每个特征的正负影响依次叠加，清晰展示温度、湿度、气压等关键因素如何共同作用于最终天气预测结果。

地理空间散点图：揭示区域预测稳定性差异将SHAP值与地理坐标结合，通过颜色编码和空间分布，快速识别模型在不同纬度和经度下预测的稳定性差异，为区域性气象预测提供针对性指导。

样本相似性排序图：识别天气事件共性规律基于样本相似性排序的可视化图表，展示不同气象条件下特征贡献的连续性模式，特别适用于识别相似天气事件中的共性规律，为气象预测模型的优化提供数据支撑。气象AI可解释性技术应用案例04台风路径预测模型可解释性实践上海台风智能模型1.0版可解释性探索上海台风研究所推出的1.0版智能台风模型，在将预报分辨率提高到公里级、预报时间压缩至3分钟的同时，也在探索模型可解释性，尽管具体技术细节未详述，但其致力于提升台风预报的透明度。SHAP值在台风路径预测特征贡献分析中的应用SHAP值作为基于协同分析理论的工具，可将复杂的台风路径预测模型决策过程分解为可解释的特征贡献，清晰呈现温度、气压、海温等关键气象要素对台风路径预测结果的正负影响，提升模型透明度。物理机制融入提升台风模型可解释性中国气象局发布的“风清”大模型具有大气强物理融入和可解释性，其训练过程结合物理守恒特性，能为预测结果提供物理可解释性依据，自动挖掘天气系统内在的物理演变，此思路可借鉴到台风路径预测模型中以增强可解释性。强对流天气预警模型解释案例分析东南亚雷暴预警：模型特征贡献解析2025年东南亚雷暴案例中，深度学习模型提前12小时预测，误差降低至10%。通过SHAP值分析，发现湿度垂直梯度和云顶温度特征贡献占比超60%，为预报员提供了关键物理过程解释。印度台风预警：动态预警阈值的可解释性2025年印度气象局深度学习预警系统将台风预警提前至12小时。模型通过实时分析风速切变与气压变化的协同效应，动态调整预警阈值，其决策逻辑通过特征重要性排序可视化呈现，提升公众信任度。强对流模型“黑箱”破解：物理机制嵌入实践某AI气象模型在2025年台风路径预测中，因缺乏可解释性导致公众信任度下降。后通过融入大气动力学方程作为硬约束，利用热力平流参数解释路径偏移，使模型决策过程透明度提升40%。数值预报模式与AI融合的解释性应用01物理约束嵌入：保障AI模型物理一致性将能量守恒、质量守恒等物理定律以"硬约束"或"软约束"方式嵌入AI模型，如中国气象局"风清"大模型训练过程紧密结合物理守恒特性，提升长时效预报结果的活跃度与可靠性。02混合建模技术：结合物理机制与数据驱动优势发展"物理-AI融合"混合模型，例如"风雷"大模型将数据驱动与物理驱动范式结合，实现深度学习与物理规律的无缝隙融合，在提升预报准确性的同时增强结果可解释性。03SHAP值等工具：量化特征贡献与模型透明度应用SHAP值等可解释AI技术，将复杂模型预测过程分解为可解释的特征贡献，如通过瀑布图展示温度、湿度、气压等气象要素对预测结果的累积影响，提升气象AI模型的透明度与可信度。04过程解译：AI辅助揭示气象演变物理机制利用AI模型挖掘气象数据中的物理演变规律，如"风清"大模型能自动挖掘天气系统内在的物理演变，为预测结果提供物理可解释性依据，帮助理解预报结论的形成机制。行业气象服务中的可解释性技术应用

能源行业：优化调度与风险控制在能源行业，如风电和光伏功率预测中，可解释性AI技术能清晰展示辐照度、风速等关键气象特征对预测结果的贡献，帮助能源企业理解出力偏差原因，优化发电计划与交易策略，降低因预报误差带来的财务波动和调度成本。

农业领域：精准农事与灾害预警针对农业气象服务，可解释性技术能明确温度、降水、湿度等气象要素如何影响作物生长模型的预测结果，为农民提供更透明的农事活动时机推荐和病虫害预警依据，增强对AI预测的信任度和应用积极性。

交通运输：提升运营安全与效率在民航、道路及港口等交通运输场景，可解释性AI可解释雷暴、能见度、强侧风等气象条件对航班起降、道路通行、港口作业的具体影响机制，辅助管理者制定更科学的运营决策，如优化飞行路径或调整作业时间，提升安全性与效率。

城市管理：增强防灾减灾能力城市气象服务中，可解释性技术能揭示极端天气（如暴雨、高温）预测背后的关键影响因素，帮助城市管理者理解内涝风险、热岛效应等形成原因，优化应急预案制定和资源调配，提升城市应对气象灾害的能力。气象AI可解释性技术面临的挑战05技术层面：解释精度与模型性能的平衡

提升解释精度对模型性能的潜在影响增加模型解释性模块（如SHAP值计算）可能引入额外计算开销，导致部分AI气象模型推理时间延长10%-30%，尤其在高分辨率预报场景下。

物理约束嵌入对解释性与性能的双重优化中国气象局"风清"大模型通过大气强物理融入技术，在实现物理可解释性的同时，全球可用预报天数达到10.5天，超过欧美主流模型，兼顾了解释精度与预报性能。

混合物理-AI模型的平衡路径探索如NeuralGCM等模型将物理定律以"硬约束"或"软约束"方式嵌入AI模型，在保持90%以上ElNiño现象模拟准确率的同时，提升了模型决策过程的可追溯性。

动态优化策略在业务场景的实践2025年某AI气象模型通过可扩展的多时效优化策略，综合考虑未来多天预报效果，在延长预报时效的同时，利用特征贡献度可视化技术提升了关键时段预报的可解释性。数据层面：多源异构数据解释的复杂性

气象数据来源的多样性与异构性气象数据来源于卫星遥感、地面传感器、气象雷达、历史气象记录等多种渠道，数据格式、时空分辨率、精度和可信度存在显著差异，如风云卫星遥感数据与地面站点观测数据在时空尺度上难以直接匹配。

数据格式与标准不统一的挑战不同国家和机构之间的数据格式和标准不统一，导致数据共享困难。例如，2025年亚洲多国因数据格式不兼容，无法有效共享气象数据，直接影响了区域气象预报的准确性和协同性。

海量数据处理与特征提取的难题AI气象模型需整合海量多源数据，传统数据处理依赖人工筛选和标注，效率低下且易出错。尽管2025年ECMWF采用深度学习模型将数据处理效率提高5倍，但如何从复杂数据中提取关键气象特征并解释其对预测结果的贡献，仍是数据解释的重要难点。

数据质量与完整性对解释性的影响训练数据集不完备、不平衡会影响模型解释的可靠性。例如，部分地区观测数据缺失或异常，可能导致AI模型在这些区域的预测存在偏见或误差，而追溯此类误差的根源并向用户解释，需要对数据质量进行全面评估和透明化呈现。应用层面：用户对解释结果的理解差异

公众用户：直观性与信任度需求普通公众更关注预报结果的直观呈现和可信度。2025年某AI气象模型因台风路径预测结果无法解释，导致公众对其信任度下降，反映出公众对AI预报"可理解性"的基本要求。

专业用户：技术细节与物理机制探究气象学家等专业用户需要深入理解模型决策的物理机制。例如，在极端天气事件分析中，他们不仅关注预报结果，更关注模型如何捕捉和模拟关键气象过程，如ElNiño现象的变异特征。

行业用户：决策相关性与风险评估能源、农业等行业用户注重解释结果与业务决策的关联性。如新能源企业需要AI模型解释风速、辐照度预测的依据，以优化发电计划和交易策略，降低出力偏差带来的财务风险。

管理者与政策制定者：宏观影响与责任追溯管理者关注AI预报对公共安全和政策制定的宏观影响。当AI模型出现预报偏差（如2024年某模型降水预报存在区域偏见），需明确责任边界，这要求解释结果能支持决策追溯和改进。伦理层面：解释责任与隐私保护问题

解释责任分配的伦理困境AI气象模型决策过程不透明，当预报出现重大偏差导致损失时，责任主体难以明确界定，是开发者、使用者还是模型本身，缺乏清晰的伦理责任框架。

公众知情权与模型可解释性的冲突2025年某AI气象模型因台风路径预测结果无法解释，导致公众对其信任度下降，凸显了模型可解释性不足对公众知情权的损害，影响社会对AI气象服务的接受度。

气象数据隐私泄露的风险与防范气象数据涉及国家安全和民生，2025年某国气象数据泄露事件导致其军事机密被泄露，造成严重损失，需建立严格的数据加密传输、访问控制与隐私保护措施。

算法偏见对特定区域的伦理不公2024年某AI气象模型的降水预报对某些地区存在偏见，导致该地区长期干旱，反映出算法偏见可能加剧区域间的资源分配不公，违背气象服务的普惠性伦理原则。气象AI可解释性技术发展对策06技术标准与规范体系建设单击此处添加正文

数据标准：统一气象数据采集与处理规范制定多源气象数据（卫星遥感、雷达观测、地面站点等）的格式、质量、共享标准，解决数据孤岛与格式不兼容问题，例如2025年亚洲多国因数据格式不统一影响区域预报准确性。算法标准：明确AI气象模型开发与评估准则规范AI气象模型的训练数据要求、性能评估指标（如准确率、时效性）、可解释性标准，推动建立类似“AI-MIP”的模型比较项目，确保模型可靠性与公平性。安全标准：构建气象AI数据安全与隐私保护框架针对气象数据涉及国家安全和民生的特点，制定数据加密传输、访问控制、备份恢复等安全规范，防范数据泄露风险，如2025年某国气象数据泄露导致军事机密被泄事件。应用标准：规范AI气象服务行业应用接口与流程制定面向能源、农业、交通等重点行业的AI气象服务接口标准和业务流程规范，推动AI气象模型从实验室走向产业应用，实现与行业系统的无缝集成。跨学科协作机制构建

气象学与计算机科学的深度融合气象学提供领域知识与物理机制，计算机科学提供AI算法与算力支撑，二者结合推动气象AI模型从数据驱动向物理驱动与数据驱动融合发展，如中国气象局联合清华大学、复旦大学研发人工智能气象预报系列模型。

多机构协同创新平台搭建建立气象部门、高校、科技企业等多主体参与的协同创新平台，如中国气象局发布人工智能天气预报大模型示范计划，调动社会力量共同打造AI技术研发和气象应用创新生态，促进资源共享与优势互补。

复合型人才培养体系建设针对气象AI领域对跨学科人才的需求，构建包含气象学、人工智能、数据科学等多学科知识的培养体系，培养既懂气象业务又掌握AI技术的复合型人才，解决智慧气象建设中复合型人才短缺问题。

国际合作与交流机制完善积极参与国际气象AI领域合作项目，如欧盟“DestinationEarth”数字孪生计划，学习借鉴国际先进经验，同时推动我国气象AI技术与成果走向世界，提升全球气象服务能力与话语权。人才培养与能力建设跨学科人才培养体系构建针对气象AI可解释性技术需求，建立气象学、计算机科学、数学等多学科交叉的人才培养方案，培养既懂气象业务又掌握AI解释性技术的复合型人才。专业课程与培训项目开发开发涵盖SHAP值、LIME等可解释性算法，以及气象物理机制与AI融合等内容的专业课程，开展面向气象业务人员的AI可解释性技术培训，提升从业人员技能。产学研合作与实践平台搭建推动高校、科研机构与气象部门合作，建立气象AI可解释性技术联合实验室和实践基地，为人才提供实际项目锻炼机会，促进理论与实践结合。国际交流与知识共享机制积极参与国际气象AI可解释性领域的学术交流与合作项目，如参与国际AI气象模型比较项目（AI-MIP），学习借鉴国外先进经验，提升人才国际视野。政策支持与产业推动

国家政策顶层设计中国气象局2026年加快建设新型预报预测体系，明确提出加强人工智能技术应用，提高台风、暴雨精细化预报水平，推动极端气候事件次季节预测省级业务试点，为气象AI可解释性技术研究提供政策导向。

科研项目资金扶持国家自然科学基金气象联合基金（如U2342217）、国家重点研发计划（如2021YFC3000905）等项目，为气象AI可解释性等关键技术研发提供资金支持，中国气象局重点创新团队智能预报技术团队项目（CMA2022ZD04）亦助力相关研究。

跨学科协作机制构建气象部门联合高校（如清华大学、复旦大学、南京信息工程大学）、科研机构组建攻关团队，如中国气象局与清华大学联合研发“风清”“风雷”大模型，促进气象学与人工智能等多学科交叉融合，推动可解释性技术突破。

产业应用场景拓展AI气象大模型从实验室走向产业，如协鑫集团将AI预报接入光伏功率预测系统，英伟达Ea