2026年1月22日下午，“青藏高原新旅程新发现”系列讲座第八十三讲在观云楼907会议室举行。本次讲座由兰州大学泛第三极环境中心主办，邀请上海交通大学海洋学院周磊教授进行题为“南亚夏季风期间的季节内降水预报尝试”的学术报告。中心相关教师、研究生到场聆听并参与交流。

季风降水的波动对全球水资源调配及防灾减灾工作至关重要。然而，受大气环流与海洋动力过程的复杂耦合影响，精准预报季风季节内的降水变化一直是气象学界的难题。

报告围绕“南亚夏季风的季节内变化、中印度洋模态及季节内降水预报尝试”这一核心问题展开。周磊教授首先从目前降水预报的不确定性切入，指出在长达数月的季风季中，降水并非均匀分布，而是由一系列活跃期和中断期交替构成的循环。这种降水的高频变化不仅是季风系统内部动力机制的体现，更是精准预测降水的核心要素。他强调，从看似无序的降水波动中捕捉有序的物理信号，深入研究亚季节内尺度的演变规律，是提升降水预报准确度的关键所在。

在探讨驱动季风变化的深层动力时，周磊教授详细介绍了其团队提出的原创核心概念—“中印度洋模态”（Central Indian Ocean Mode,CIO）。不同于侧重于大尺度环流的传统观点，周教授团队通过动力诊断发现，印度洋中部的暖水异常与大气风场之间存在显著的“海气协同”效应。当印度洋中部出现异常暖水时，会通过改变局地对流激发大气的动力响应，进而调整季风气流的路径与强度。这种协同作用不仅影响了海上的水汽输送，更直接干预了亚洲季风区的降水强度。CIO模态的发现，为解释季风季节内的“旱涝转换”提供了新的物理模型，也为后续提高预报精度锁定了关键因子。

针对传统数值模型在高频随机噪声干扰下表现不佳的痛点，周磊教授展示了“物理规律+人工智能”结合的最新进展。其团队创造性地利用深度学习算法对海量气象数据进行“降噪处理”，精准提取具有预报价值的低频物理特征。研究结果显示，引入AI优化后的模型在印度洋区域的有效预报时效已稳定跨越了15天的关键节点。这一跨越标志着降水预报正从传统的数值模拟向数据驱动的智能化预测稳步迈进。

最后，周磊教授将目光投向了有“亚洲水塔”之称的青藏高原。作为全球气候变化的敏感区，高原复杂的地理环境导致观测站点稀疏，数据同化过程面临严峻挑战。针对高原水汽输送监测的“空白区”，周教授提出了基于AI技术的“数据格点化”解决方案。该方案有望通过人工智能补齐观测资料不足的短板，为构建全域精密气象监测网提供新路径，从而提升对东亚及我国降水的预报能力。

报告结束后，参会师生就“CIO模型的推广与应用”、“中印度洋向青藏高原的水汽输送”等问题与周磊老师进行了深入交流。此次讲座不仅拓展了师生们的学术视野，更激励了青年学者在气象科学与人工智能的交叉领域不断探索，共同应对全球气候变化带来的严峻挑战。最后讲座在中心师生们的热烈掌声中圆满结束。