秦博，同济大学计算机科学与技术学院助理教授，硕士研究生导师。研究方向为天气气候现象的AI建模、AI模型的可预报性研究、数值模式的AI参数化方案构建、AI同化等。电子邮箱：boqin@tongji.edu.cn。
教育背景
2013/9 - 2017/6 同济大学 软件学院，学士
2017/9 - 2023/5 同济大学 软件学院，博士
工作履历
2023/8 - 2025/12 复旦大学 大气与海洋科学系，博士后
2025/12至今 同济大学 计算机科学与技术学院，助理教授
学术任职
近年来受邀参加EGU、AOGS、AGU等国际重要学术会议并作口头报告，在EGU2025以Convener身份组织“人工智能在资料同化中的应用”分会场；担任《Science Advances》、《IEEE TGRS》 等多个高水平期刊审稿人，并参与多个重点实验室与学术平台建设。
教学情况
数据库原理与应用（国家双语教学示范课程、上海市重点课程、上海高校示范性全英语教学课程）
在研项目
1. [在研] 国家自然科学基金青年科学基金（C类），项目名称：基于可解释性AI模型的ENSO事件第一类可预测性问题研究，执行时间：2025.01-2027.12，聚焦ENSO事件在AI模型中的可预报性机理，研究如何利用CNOP方法揭示初始扰动对AI模型预测误差增长的影响。
2. [在研] 地球系统数值模拟与应用全国重点实验室（LabESM）开放课题，项目名称：基于增长型初始扰动分布最优估计的台风智能集合预报研究，执行时间：2026.01-2027.12，重点研究台风预报中的不确定性量化、集合预报设计与最优扰动理论。
3. [结题] 国家博士后创新人才支持计划，项目名称：基于AI的北半球中高纬极端事件的可预测性研究，执行时间：2023.08-2025.08，面向中高纬高影响天气事件，发展基于AI模型的可预报性分析框架，探索智能目标观测与集合预报新方法。
4. [结题] 上海市超级博士后项目，项目名称：可解释性AI模型与天气气候事件的可预报性问题研究，执行时间：2024.01-2025.12，围绕AI模型误差来源、敏感区域识别及预报误差演变机制开展研究。
学术成果及荣誉
1. 国家博士后创新人才支持计划
2. 上海市优秀毕业生（博士）
3. ESI "Highly Cited Paper", entitled "Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models"
4. WILEY "Top Cited Article", entitled "The first kind of predictability problem of EI Niño predictions in a multivariatecoupled data-driven model"
代表性成果
围绕“如何利用人工智能技术，实现复杂天气气候系统预测更精准、认知更深入？”这一目标，已在理论方法、模型构建和实际应用三个层面形成较为系统的研究成果（https://scholar.google.com.hk/citations?user=ib4yEzMAAAAJ）。
1. 在ENSO智能预测方面取得代表性成果
提出了多个具有物理约束与可解释性的ENSO智能预测模型。代表性工作包括：
-ENSO-ASC：提出多变量图卷积耦合模型，将ENSO有效预报时长提升至18个月；
-ENSO-GTC：提出概率图卷积与全球时空遥相关耦合框架，将有效预报时长进一步提升至19个月，并被《Nature》相关论文评价为ENSO智能预报领域的基准模型之一。
-其中，研发的ENSO智能模型已被国际最权威的ENSO实时预测机构IRI收录，成为全球首个ENSO AI集成预报模型，具备较强的国际应用影响力。
2. 在AI可解释性与可预报性研究方面形成特色方向
在传统可预报性理论基础上，扩展了经典CNOP方法，提出面向AI模型的增长型初始扰动最优估计新思路，用于定量分析初始不确定性如何影响天气气候事件预测结果。这一方向推动了“AI模型不仅用于预报，也用于揭示预报误差来源与动力机制”的新范式。相关成果发表于 QJRMS、AAS 等期刊，并获得国际同行积极评价，多篇论文入选 ESI高被引论文，并获评 Wiley Top Cited Article。
例如，在The first kind of predictability problem of El Niño predictions in a multivariate coupled data-driven model一文中，首次在多变量耦合AI模型中系统研究ENSO事件的第一类可预报性问题，揭示了若干新型最优初始扰动及其增长机制。该成果被《Nature》子刊论文专题评述，认为其为AI模型中的天气气候可预报性研究提供了重要方向。
3. 在物理-数据融合建模方面形成稳定积累
围绕“如何让AI模型更符合物理规律、更可信、更具泛化能力”，构建了多个物理-数据融合驱动的天气气候预测模型，在ENSO、热带气旋、东亚环流及相关高影响事件预测中取得较好效果。相关工作涵盖：
-物理约束下的深度学习预测模型；
-面向极端天气气候事件的可解释诊断；
-将AI模块嵌入地球系统模式或与动力模式耦合的智能建模框架。
