{
  "id": "ensemble-forecasting",
  "title": "集合预报",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "集合预报利用多次模型模拟，估计未来状况及其不确定性，主要应用于天气、气候和水文预测。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "集合预测"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/ensemble-forecasting/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/ensemble-forecasting/",
      "json": "https://aiwiki.page/en/ensemble-forecasting.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "集合预报是一种利用多次模拟来表示未来可能状况范围的预测方法，其中每次模拟称为一个集合成员。集合预报不只给出一个预报结果，而是通过改变初始条件、模型构造或其他具有不确定性的输入，考察由此产生的预测有何差异。集合预报广泛应用于气象学，将数值天气预报从估计单一结果，扩展为估计未来天气的概率分布。相关方法也用于气候预测、海洋预报和水文学。集合预报是对不确定性进行抽样，并不意味着它能自动涵盖所有可能结果，也不意味着它给出的概率经过了完美校准。"
    },
    {
      "heading": "科学基础",
      "text": "不确定性与可预报性\n\n天气预报以大气状态的估计值为起点，这一状态通过数据同化，综合观测资料和先前的预报结果构建而成。观测存在误差，覆盖范围也不完整，因此无法精确确定每个位置、每种尺度上的大气状态。\n\n大气演变还具有非线性。由于混沌理论所描述的动力学机制，起初很小的差异可能不断放大，最终形成显著不同的天气形势。即使已知支配大气运动的物理方程，这种敏感性仍会限制精细预报的能力。可预报性随大气状况、预报变量以及所关注的时空尺度而变化。\n\n预报模型还会引入额外的不确定性。模型网格无法显式分辨每一朵云、每一个湍流涡旋或每一处地表特征，因此某些过程需要采用近似方法来表示。数值方法、尚不完善的物理认识，以及海表温度、土壤湿度等边界条件，也会带来不确定性。\n\n单一确定性预报在这些不确定性中沿着一条模拟轨迹演进。集合预报则沿着多条轨迹演进，以考察哪些结果相对一致，哪些结果高度依赖具有不确定性的输入。\n\n预测分布的抽样\n\n对于预报量 \\(X\\)，设 \\(N\\) 个集合成员给出的预测值为 \\(x_1,\\ldots,x_N\\)。这组预测值可以视为从估计的预测分布中抽取的样本。\n\n对于事件 \\(A\\)，一种基本的集合概率估计为\n\n\\[\\widehat{P}(A)=\\frac{1}{N}\\sum_{i=1}^{N}\\mathbf{1}(x_i\\in A),\\]\n\n其中，当成员预报该事件发生时，\\(\\mathbf{1}\\) 等于1，否则等于0。\n\n例如，若50个成员中有15个预报某地的日降水量超过指定阈值，则原始集合频率为30%。这未必就是最终的预报概率：统计处理可能会对其进行调整，以修正系统性误差、离散度不足，或模型网格值与当地观测值之间的差异。\n\n集合成员通常并不是从所有可能的未来状况中独立抽取、且具有相同合理性的样本。它们使用共同的观测资料、模型组件和设计假设。因此，在将成员频率视为可靠概率之前，需要通过实际资料进行评估。"
    },
    {
      "heading": "集合的构建方式",
      "text": "业务系统通常结合多种方法，以表示不同来源的不确定性。\n\n初始条件集合\n\n初始条件集合从略有差异的当前大气状态估计出发开展预报。所施加的扰动旨在表示分析场的不确定性；在某些系统中，还会着重体现可能迅速增长的扰动结构。\n\n方法包括：\n\n- 繁殖向量：通过反复演化、重新缩放并再次引入模型状态之间的差异而获得。\n- 奇异向量：在指定的数学度量下，识别出在选定时段内增长显著的扰动。\n- 集合数据同化：在并行的分析过程中，对观测、模型状态或同化过程的其他组成部分施加扰动。\n\n仅仅加入任意噪声通常是不够的。扰动既要体现合理的不确定性，又要保持大气变量之间的重要关系。\n\n模型不确定性集合\n\n可以通过改变物理参数化方案、调整不确定的参数，或对选定的模型倾向项引入随机扰动，对模型不确定性进行抽样。例如，不同成员对云形成或未被显式分辨的对流过程，可能采用不同的表示方式。\n\n多模型集合将不同预报模型的预测结果组合起来。这可以揭示单一模型无法抽样体现的差异，但这些模型仍可能具有共同的结构性误差。模型的选择及其权重会影响最终得到的分布。\n\n边界条件集合与耦合集合\n\n在某些应用中，除大气本身外，还会对海洋、陆地、海冰或大气成分状况施加扰动。耦合预测系统允许这些组成部分之间的相互作用在预报过程中不断演变。\n\n对于季节预测，海洋状况的不确定性可能尤为重要，因为海洋异常的演变速度比单个天气系统更慢。例如，与厄尔尼诺—南方涛动相关的可预测影响，可以改变季节气温和降雨格局出现的概率，却不能决定某一天的具体天气。\n\n滞后集合\n\n滞后集合将起报时间不同、但预报有效时段相同的预报组合起来。它无需同时启动所有成员，就能扩大可用样本量。不过，较早起报的预报具有更长的预报时效，误差特征也可能不同，因此不能直接视为与较新起报的成员等同。"
    },
    {
      "heading": "集合输出的解读",
      "text": "集合平均与离散度\n\n集合平均为\n\n\\[\\bar{x}=\\frac{1}{N}\\sum_{i=1}^{N}x_i.\\]\n\n离散度的一种常用度量是集合标准差，\n\n\\[s=\\sqrt{\\frac{1}{N-1}\\sum_{i=1}^{N}(x_i-\\bar{x})^2}.\\]\n\n由于各成员特有的部分误差会相互抵消，集合平均的平均平方误差往往低于单个成员。然而，集合平均未必代表一种在物理上具有代表性的结果。如果一半成员将一条狭窄雨带预报在某处，另一半成员则预报在别处，集合平均可能呈现出一大片中等强度降雨区，而实际上没有任何成员预报过这种结果。\n\n离散度衡量的是成员之间的分歧，而不是预报误差本身。较大的离散度通常表明不确定性较大，但这种关系必须经过统计检验。如果成员具有相同的偏差，或遗漏了某个重要的不确定性来源，即使集合成员高度集中，预报仍可能出错。\n\n概率、分位数与情景\n\n常见产品包括：\n\n- 阈值概率：例如风速超过某个指定值的概率。\n- 分位数与预测区间：描述预报分布的不同部分。\n- 羽状图：展示某一地点各成员随时间变化的轨迹。\n- 意大利面条图：叠加多个成员的选定等值线，以揭示大尺度形势的差异。\n- 聚类：将环流形势或事件演变相似的成员归为一组。\n- 邻域概率：估计事件在某个指定区域内发生的概率，而非在某一个精确网格点发生的概率。\n\n这些产品回答的是不同问题。某区域内某处出现强降雨的概率，并不等于某个特定地点出现强降雨的概率。同样，针对24小时累计量给出的概率，也不能解读为每个小时各自的概率。\n\n聚类和单个成员能够呈现集合平均所掩盖的连贯情景。不过，它们的相对频率取决于集合设计和聚类方法。"
    },
    {
      "heading": "预报校准与检验",
      "text": "集合预报的质量通过大量历史预报及其对应观测来评估。评估时必须区分几种不同性质。\n\n可靠性也称概率校准性，描述预报概率与观测频率之间的一致程度。在一组可比、且均被赋予30%发生概率的情形中，事件应当约有30%的次数实际发生。可靠性是一组预报的性质，不能凭单次结果加以确定。\n\n分辨能力是区分实际事件发生频率不同的各类情形的能力。锐度描述预报分布的集中程度，与观测无关。有用的系统应在充分校准的前提下追求较高锐度；如果狭窄的预测区间屡次未能包含实际观测结果，这样的区间就没有益处。\n\n检验工具\n\n秩直方图记录观测值在按大小排序的集合成员中所处的位置。在满足适当假设的条件下，大致平坦的直方图与集合离散程度适当的情况相符，但这并不能证明预报的整体质量良好。落在集合范围之外的观测过多，可能表明离散度不足；直方图不对称则可能表明存在偏差。观测误差，以及观测与模型尺度之间的差异，也会影响结果。\n\n布里尔评分用于评估二元事件的概率预报：\n\n\\[\\mathrm{BS}=\\frac{1}{M}\\sum_{j=1}^{M}(p_j-o_j)^2,\\]\n\n其中，\\(p_j\\) 为预报概率；事件发生时，\\(o_j\\) 为1，否则为0；\\(M\\) 为预报样本数。评分越低，表现越好。\n\n连续秩概率评分用于评估标量的完整预测分布。可靠性图、区间覆盖率，以及与气候态或其他参考预报的比较，可以提供补充信息。对于空间天气场，还需采用其他方法评估位置偏移、尺度和事件结构。\n\n统计后处理\n\n原始集合往往存在系统性偏差或离散度不足。统计后处理利用历史预报和观测资料调整预测分布。相关方法包括基于回归的分布模型、加权混合模型和机器学习。\n\n再预报也称回报，是采用一致的预报系统，针对过去日期重新生成的预报。它有助于估计模型误差，并为校准提供训练资料，在当前业务模型的历史存档较短时尤其有用。\n\n对各个地点、变量或预报时效分别进行订正，可能破坏它们之间的关系。因此，需要连贯空间场或时间序列的应用，还必须采用能够保持或重建依赖关系的方法。"
    },
    {
      "heading": "发展与业务应用",
      "text": "集合预报的理论基础源于20世纪对大气可预报性、非线性动力学和统计预测的研究。随着计算资源的发展，多次开展模型积分变得切实可行，集合预报的业务应用也随之扩大。\n\n1992年是一个重要里程碑：欧洲中期天气预报中心和美国国家气象中心分别推出了业务集合预报系统，后者后来并入美国国家环境预报中心。此后的发展扩大了集合规模，提高了分辨率，改进了模型误差的表示，并加强了与地球系统其他组成部分的耦合。\n\n现代系统覆盖多种预报时效：\n\n- 短期容许对流集合预报：针对局地风暴、强降雨和其他小尺度灾害。\n- 中期集合预报：估计未来数日至第二周的天气形势演变。\n- 次季节与季节集合预测：部分利用气候系统中变化较慢的组成部分，评估未来数周至数月的概率变化。\n\n预报的含义随时效而变化。随着预报时效延长，局地天气细节通常变得更难预测，而某些大尺度异常或时间平均异常仍可能保有实用的可预报性。"
    },
    {
      "heading": "应用",
      "text": "灾害性天气\n\n集合预报通过估计危险天气状况发生的概率、时间、地点和强度，为预警系统提供支持。对于热带气旋，集合成员可以对不同的可能路径和强度进行抽样。随后，耦合海岸模型可以将这些大气情景转化为可能出现的风暴潮。\n\n在强降雨预报中，集合预报有助于区分风暴是否发生的不确定性，以及其位置或累计降雨量的不确定性。它能识别单一预报可能遗漏的、概率较低但仍有可能发生的结果，不过，其估计罕见极端事件的能力取决于模型质量和抽样情况。\n\n水文预报\n\n气象集合成员可以驱动降雨—径流模型和河道汇流模型，生成河流流量分布及不同的水文过程线。水文系统也可以改变土壤湿度、积雪状况、模型参数和其他具有不确定性的输入。\n\n由此得到的预报可用于评估洪水阈值、水库入流量和干旱状况。这些预报的不确定性既取决于气象强迫，也取决于模型对流域的表示。\n\n能源及其他对天气敏感的活动\n\n集合预报可用于估计风能和太阳能发电、电力需求、交通运输条件及农业气象条件的不确定性。决策模型可以将预报概率与采取或不采取某项行动所带来的不同后果相结合。\n\n概率预报本身并不能决定应采取何种决策。面对同一预报，不同用户作出不同反应都可能是合理的，因为他们面临的风险、成本，以及对漏报或空报的容忍程度各不相同。\n\n气候预测与预估\n\n集合方法也用于气候模型集合。初始化气候预测利用当前地球系统状态的估计，预测其后续演变。长期气候变化预估则考察在指定外部强迫路径下的响应。\n\n长期预估之间的离散程度可能综合反映内部变率、模型差异和强迫情景差异。不能直接将这样一组预估解释为未来结果的已校准概率分布，尤其是在未对各情景赋予概率的情况下。"
    },
    {
      "heading": "局限与解读",
      "text": "集合规模有限，会限制对罕见事件的抽样。在由 \\(N\\) 个成员组成的等权重集合中，原始事件频率以 \\(1/N\\) 为步长变化；没有任何成员预报的事件，并不一定不可能发生。\n\n共同的模型误差可能使整个集合偏离实际情况。增加成员数量，可以改善对系统所表示分布的抽样，但本身无法纠正一个有缺陷的分布。因此，计算资源必须在集合规模、空间分辨率、模型复杂度和预报更新频率之间进行分配。\n\n不确定性还取决于所考察的量和尺度。集合预报可能很好地预测区域环流形势，却无法准确定位单个雷暴。即使较大范围的事件已得到体现，时间或位置上的误差仍可能显著影响定点预报。\n\n最后，用于检验的观测并不完美，预报系统也在不断变化，过去的表现未必能够充分反映系统在陌生或极端条件下的表现。明确说明事件定义、校准记录、空间尺度和已知模型局限时，集合概率才能提供最有价值的信息。"
    }
  ],
  "links": [
    "meteorology",
    "numerical-weather-prediction",
    "probability-distribution",
    "hydrology",
    "chaos-theory",
    "precipitation",
    "el-nino-southern-oscillation",
    "brier-score",
    "continuous-ranked-probability-score",
    "machine-learning",
    "storm-surge",
    "hydrograph",
    "drainage-basin",
    "climate-model-ensemble",
    "climate-change"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}