{
  "id": "numerical-weather-prediction",
  "title": "数值天气预报",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "数值天气预报利用数学模型、大气观测和计算系统预测天气，并量化预报的不确定性。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "数值预报"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/numerical-weather-prediction/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/numerical-weather-prediction/",
      "json": "https://aiwiki.page/en/numerical-weather-prediction.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "数值天气预报（NWP）通过计算大气的数学模型如何从估计的初始状态随时间演变，来预测大气状况。它将观测资料与描述运动、热量、水分及其他大气成分的方程相结合，再利用计算机对这些方程进行近似求解。其产品包括温度、风、压强、云和降水的预报，以及对这些预报不确定性的估计。\n\n数值天气预报构成了现代气象学科学基础的重要部分，为日常天气预报、危险天气预警、航空、海上作业、农业、能源生产和水资源管理提供支持。天气预报并不只是模拟的输出结果：业务预报还需要处理观测资料、估计当前大气状态、评估不确定性、进行统计订正，并结合特定地点和决策需求解读预报结果。\n\n天气预报是一个初值问题，但我们永远无法确切掌握大气的初始状态，也无法在不作近似的情况下描述大气的行为。因此，数值预报是基于一定条件的估计，而不是对未来的精确描述。数值天气预报的发展伴随着大气科学、数值数学、观测系统和计算技术的进步，并日益重视集合预报、地球系统中的耦合过程以及机器学习。"
    },
    {
      "heading": "历史发展",
      "text": "数值预报的理论基础在计算机能够完成所需计算之前就已形成。1904 年，挪威物理学家兼气象学家威廉·皮耶克尼斯提出，天气预报问题需要具备两个条件：充分掌握初始时刻的大气状态，以及了解支配大气后续演变的物理定律。这将基于物理计算的预报与主要依靠识别反复出现的天气形势的方法区分开来。困难不仅在于理论，也在于实践：观测资料稀缺，控制方程具有非线性，而数值求解又需要海量的算术运算。\n\n刘易斯·弗赖·理查森曾利用 1910 年 5 月 20 日的观测资料，尝试进行详细的数值预报。这项工作于 1922 年发表在《数值过程天气预报》一书中，是一次雄心勃勃的尝试，旨在依据物理原理计算大气变化。然而，计算得到的气压变化大得不切实际。其中一个关键问题是，经过分析得到的初始状态存在微小的不协调，由此激发的快速振荡淹没了真正需要关注的、较为缓慢的天气演变。后来发展的平衡初始化和数值滤波方法解决了这类问题。尽管如此，理查森的工作仍确立了现代数值预报方法的许多要素，包括空间网格以及对物理量变化率的显式计算。\n\n电子计算机使数值预报具备了投入业务运行的可能性。1950 年，朱尔·查尼、拉格纳尔·菲约托夫和约翰·冯·诺伊曼发表了使用 ENIAC 计算机计算的预报结果。他们的模式采用简化的正压模型来描述大尺度大气流动，而非对大气进行全面细致的刻画。滤除快速运动减轻了计算负担，使实验能够集中研究天气尺度环流的演变。这项成果表明，数值预报既可以在计算上切实可行，也可以在气象上具有实用价值。\n\n常规业务随后于 20 世纪 50 年代展开。1954 年在美国成立的联合数值天气预报中心于 1955 年开始开展数值预报业务。此后，预报模式从简化的大气分层模型逐步发展为求解原始方程组的多层系统。自 20 世纪 60 年代起引入气象领域的卫星观测，大幅扩大了对海洋及其他观测稀疏地区的覆盖。欧洲中期天气预报中心成立于 1975 年，并于 1979 年开始提供中期天气预报业务服务。\n\n此后的进展来自多方面的协同作用：更好的观测、更先进的资料同化技术、更高的模式分辨率、更完善的物理过程表述，以及更快的计算机。20 世纪 90 年代，业务集合预报系统不断推广，使不确定性成为明确提供的预报产品。在随后的几十年中，允许显式模拟对流的区域模式日益具备实用性。历史上预报水平的提高不能仅仅归功于计算能力：只有当模式、观测和数值方法能够使增加的计算量用于更准确地描述大气时，这些计算才有价值。"
    },
    {
      "heading": "物理方程与预报状态",
      "text": "大气模式预测的一组变量统称为模式的状态。这些变量通常包括水平风分量、温度或相关的热力学变量、地面气压或空气密度、水汽，以及多种形态的凝结水。根据用途，模式还可能预测垂直速度、气溶胶、化学组分或描述湍流的物理量。状态变量分布在三维区域内，另有一些变量用于表示地面、植被、积雪或海洋表面的状况。\n\n控制方程描述动量、质量和能量守恒，并辅以水分及其他组分的方程。旋转参考系中的动量方程可示意性地写为\n\n\\[\\frac{D\\mathbf{u}}{Dt} +2\\boldsymbol{\\Omega}\\times\\mathbf{u} =-\\frac{1}{\\rho}\\nabla p+\\mathbf{g}+\\mathbf{F},\\]\n\n其中，\\(\\mathbf{u}\\) 为速度，\\(D/Dt\\) 为物质导数，\\(\\boldsymbol{\\Omega}\\) 为地球自转角速度，\\(\\rho\\) 为密度，\\(p\\) 为气压，\\(\\mathbf{g}\\) 包含引力加速度和离心加速度，\\(\\mathbf{F}\\) 表示摩擦及其他过程引起的动量变化率。科里奥利效应对大尺度大气环流至关重要，包括气旋的发展和移动。\n\n质量守恒可写为\n\n\\[\\frac{\\partial \\rho}{\\partial t} +\\nabla\\cdot(\\rho\\mathbf{u})=0.\\]\n\n热力学方程将温度变化与压缩、膨胀、辐射、水的相变及湍流热量输送联系起来。状态方程则联系气压、密度和温度。大气水分还需要额外的输送与转化方程来描述：蒸发增加水汽，凝结形成云滴或冰，降水则将水分输送至地表。凝结过程中释放的潜热能够增强上升运动，因此水分并非被动示踪物，而是积极参与大气动力过程的组成部分。\n\n许多大尺度模式采用静力近似，\n\n\\[\\frac{\\partial p}{\\partial z}=-\\rho g,\\]\n\n即认为垂直气压梯度力与重力相平衡。当垂直加速度相对于重力加速度很小时，这一近似是适用的。非静力模式保留垂直加速度，对显式表示深对流、山岳波以及其他水平尺度相对较小的运动十分重要。然而，仅仅采用非静力方程形式，并不能保证某一现象得到解析：网格间距和物理过程的表示方式仍然起决定性作用。\n\n大气通过下边界交换动量、热量和水分。山地使气流转向并激发波动；土壤湿度影响地表能量在感热与潜热之间的分配；海表温度影响蒸发和大气稳定度。这些相互作用将大气预报与热力学、水文学及海洋动力学联系起来。此外，还必须指定计算区域顶部和侧面的边界条件。在有限区域模式中，通过侧边界输入的信息通常来自范围更大的区域预报或全球预报。"
    },
    {
      "heading": "网格、数值方法与计算分辨率",
      "text": "控制方程描述的是连续变化的场，但计算机只能存储这些场的有限表示。因此，数值模式需要对空间和时间进行离散化。格点法用特定位置上的值或网格单元内的平均值来表示变量。谱方法则通过球谐函数等基函数的组合来表示大气场。有些系统将不同方法结合起来，在处理某些动力学过程时采用一种表示方式，而在处理物理过程或输送过程时采用另一种。\n\n球面上的水平网格有多种几何构型可供选择。传统经纬度网格在两极附近变得十分密集，给高效的时间推进带来困难。约化高斯网格、立方球网格和二十面体网格提供了其他选择。可变分辨率网格将计算集中于选定区域，而不一定需要另设有限区域模式计算域。在垂直方向上，随地形坐标使模式下层的坐标面能够顺应山地起伏，而混合坐标通常会在大气较高层逐渐过渡为以气压为基准的坐标面。\n\n空间分辨率通常用标称水平网格间距以及垂直层的数量或分布来描述。网格间距并不等同于模式能够准确表示的最小天气特征的尺度。由于数值阻尼、插值以及离散化结构的影响，一个天气特征通常需要跨越多个网格间距，才能得到可靠表示。因此，网格间距为3千米的模式，并不能充分解析所有3千米尺度上的大气活动。其有效分辨率更粗，单个湍流涡旋仍无法被解析。\n\n时间积分通过连续的预报步推进模式。显式格式直接根据已知的变化率计算未来值，但其稳定性可能受到库朗–弗里德里希斯–莱维条件的约束。对于一个简单的输送问题，无量纲量\n\n\\[C=\\frac{U\\Delta t}{\\Delta x}\\]\n\n将输送速度 \\(U\\)、时间步长 \\(\\Delta t\\) 和网格间距 \\(\\Delta x\\) 联系起来。稳定性要求取决于所采用的数值格式。半隐式方法对选定的快速过程采用隐式处理，而半拉格朗日方法则从到达点沿空气运动轨迹反向追踪，以估算输送。这些方法可以允许采用更大的时间步长，但守恒性、精度和计算成本仍需分别加以考虑。\n\n提高分辨率的代价高昂。在一个简化的三维例子中，若将每个方向上的网格间距都减半，网格单元总数就会增至原来的八倍；如果时间步长也必须减半，总计算量便可能增至原来的约十六倍。实际大气模式系统的计算量变化规律有所不同，因为水平分辨率与垂直分辨率并不总是同步调整，而且某些算法还会产生额外的通信开销。大型预报任务分布在众多处理器上执行，因此数据传输和并行效率与算术运算速度同样重要。数值方案的设计还必须控制人为振荡，使水分变量保持在物理上有意义的范围内，并在长时间积分中保持重要的守恒性质。"
    },
    {
      "heading": "观测、分析与数据同化",
      "text": "预报始于分析，即对某一指定时刻大气状态的估计。任何观测网络都无法提供模式所有位置上每个变量的观测值。地面站采集近地面的气象状况；无线电探空仪沿随风漂移的气球轨迹测量垂直廓线；飞机沿航线报告观测数据；雷达观测与降水有关的信号；卫星则通过辐射亮度、反射信号及其他测量手段提供大范围覆盖。每种观测系统都有其特有的误差、采样局限和空间敏感性。\n\n卫星测量对海洋和偏远地区尤为重要。许多仪器并不直接测量模式中的温度或湿度，而是测量辐射；辐射与大气状况之间的关系必须通过辐射传输模型计算。在适宜条件下，红外观测可以提供详细的垂直分布信息；微波观测则在某些有云条件下仍能保持有效的探测能力。卫星导航信号也可用于无线电掩星，提供与大气折射率有关的信息，对探测对流层上部和平流层的垂直廓线很有价值。\n\n数据同化将这些观测与称为背景场的短期预报相结合，生成分析场。背景场依据动力学信息，为观测空缺处提供估计；观测则约束估计状态对真实大气的偏离。二者的相对影响取决于对不确定性及相关性的估计。一种常见的变分方法通过最小化以下目标函数求解：\n\n\\[J(\\mathbf{x})= \\frac{1}{2}(\\mathbf{x}-\\mathbf{x}_b)^{T} \\mathbf{B}^{-1}(\\mathbf{x}-\\mathbf{x}_b) + \\frac{1}{2} [\\mathbf{y}-H(\\mathbf{x})]^{T} \\mathbf{R}^{-1} [\\mathbf{y}-H(\\mathbf{x})],\\]\n\n其中，\\(\\mathbf{x}\\) 为待求状态，\\(\\mathbf{x}_b\\) 为背景场，\\(\\mathbf{y}\\) 为观测值，\\(H\\) 为观测算子，\\(\\mathbf{B}\\) 和 \\(\\mathbf{R}\\) 分别为背景误差和观测误差的协方差矩阵。这些矩阵不仅决定各项测量的权重，还决定信息如何在不同变量和位置之间传播。\n\n三维变分同化估计分析时刻所对应的状态，而四维变分同化则利用模式的演变，纳入分布于一个时间窗口内的观测。集合卡尔曼方法使用一组预报来估计随状态变化的不确定性及其相关性。混合同化系统将集合信息与其他协方差表征相结合。这些方法在计算需求和假设方面各不相同，但都依赖于对观测误差和背景误差的合理描述。\n\n质量控制至关重要。否则，仪器故障、数据报送错误、空间代表性差异和系统性偏差都可能降低分析质量。同化还必须避免引入不平衡，以免引发不切实际的快速调整。业务系统通常持续循环运行：上一循环的短期预报成为下一循环的背景场。这意味着，预报质量不仅取决于其标称初始时刻收到的观测，也在一定程度上取决于此前各轮循环的累积表现。"
    },
    {
      "heading": "未解析的物理过程与地球系统耦合",
      "text": "即使是高分辨率模式，也无法直接计算所有大气过程。湍流运动的尺度可以远小于业务模式的网格尺度，而云滴、冰晶及其与辐射的相互作用则发生在微观尺度上。这些过程的总体效应必须通过大气参数化方案来表示，即利用模式中可用的物理量，以数学关系描述无法解析的过程。这些方案并非动力框架中可有可无的补充，而是决定着热量、水分和动量的主要交换过程。\n\n云微物理方案描述凝结、冻结、碰撞并合、蒸发以及水凝物下落等过程。较简单的方案可能只预报各类水凝物的质量，而更复杂的方案还会预报粒子数浓度或其他属性。对粒径分布的假设会影响粒子的下落速度，以及云水向雨或雪的转化。这些细节会影响降水的类型和强度、云的持续时间，以及反馈作用于大气环流的潜热释放量。\n\n深对流问题具有尺度依赖性。当网格间距为数十千米时，模式无法解析单个对流云，需要用对流参数化方案表示其净效应。当网格间距达到千米量级时，模式可以显式表示重要的有组织对流运动，但仍无法充分解析卷入、云微物理和湍流过程。介于两者之间的尺度范围通常称为“灰区”，因为此时对流已被部分解析，而传统参数化方案所采用的假设则不再那么适用。随着模式分辨率不断提高，开始能够解析部分边界层涡旋时，也会出现类似的灰区难题。\n\n辐射方案计算气体、云和大气气溶胶对太阳辐射及地球辐射的吸收、发射和散射。边界层方案表示近地面及低层大气中的湍流输送。陆面模式计算土壤温度和湿度、积雪演变、植被与环境之间的交换以及地表通量。例如，土壤湿度误差可能改变蒸发和白天的地表加热，进而影响边界层厚度和对流触发的可能性。因此，降水误差可能部分源于陆面过程，而不只是云物理过程。\n\n耦合预报系统使大气能够与不断变化的海洋、海冰相互作用，有时还会纳入海浪、化学过程和河流系统。当下垫面状况在预报期间发生显著变化时，耦合就显得尤为重要。热带气旋可以通过混合作用将较冷的海水带到海表附近，从而减少风暴可获得的热量供应。海浪会影响海气界面的交换，海冰变化则会改变地表热量传输。这些相互作用将数值天气预报与更广泛的地球系统模型框架联系起来，不过业务天气预报尤其注重初始状态的确定、预报产品的快速生成，以及短期至中期预报的准确性。"
    },
    {
      "heading": "可预报性、不确定性与集合预报",
      "text": "大气演变对初始条件十分敏感。微小差异可通过非线性相互作用不断放大，最终形成显著不同的天气形势。爱德华·洛伦兹于1963年发表的关于确定性非周期流的研究，在一个简化的动力系统中对这种行为作出了奠基性的展示。在天气预报中，混沌理论解释了为什么改善初始条件能够延长预报的有效时效，却无法让精细预报无限期地保持可靠。\n\n可预报性取决于所研究的现象、大气形势以及预报的变量。单个雷暴的准确位置和发生时间可能在数小时内就变得难以确定，而大尺度环流形势的有效可预报性则可能维持得更久。对于中纬度大尺度天气的精细确定性预报，人们常将两周左右视为其时效的大致上限，但这并非所有大气变量都适用的统一界限。海洋和陆面等变化缓慢的影响因素，可以使我们在逐日天气预报已不再可靠的时效之外，仍能获得有关平均状况或变化趋势的概率信息。\n\n集合预报通过开展多个合理的预报来应对不确定性。各集合成员的初始条件、模式构建方式、物理参数或对未解析过程的表示方式可以有所不同。初始扰动旨在对可能的分析误差进行采样，通常侧重于能够迅速增长的扰动结构。随机方案通过引入具有特定结构的随机性，来表示模式倾向项的不确定性。仅仅对每个格点施加彼此独立的扰动通常并不充分，因为真实的分析误差具有空间结构，而且不同变量的误差之间存在关联。\n\n集合提供的是可能结果的一个样本，而非单一的预测轨迹。如果 \\(N\\) 个成员中有 \\(k\\) 个的降雨量超过某一阈值，那么一个基本的概率估计就是 \\(k/N\\)。这一估计会受到集合规模有限、模式共有误差以及采样不完善等因素的影响，因此通常需要进行校准。集合离散度衡量成员之间的分歧程度，但离散度小并不能证明预报正确。离散度不足的集合可能紧密聚集在一个错误的结果附近。\n\n对于大范围、平滑变化的场，集合平均的平均误差往往低于单个成员，因为某些不可预报的分量会相互抵消。不过，集合平均也可能使锋面变得模糊、削弱强降雨的峰值，或者在各成员预报的风暴位置不同时，呈现出不符合实际的风暴形态。事件概率、百分位数、代表性情景和邻域预报产品能够保留仅靠平均值无法传达的信息。在次季节和季节尺度上，集合预报越来越侧重于气温、降水或环流异常的概率，而非逐日天气的确切演变过程。厄尔尼诺—南方涛动等因素有助于形成这种较长时效的可预报性，但并不能唯一确定局地的天气结果。"
    },
    {
      "heading": "业务系统、预报时效与应用",
      "text": "业务预报是在严格时限内反复开展的生产流程。观测资料持续传入，但延迟各不相同。预报中心需要进行质量控制、运行资料同化、对一个或多个模式进行积分、处理输出结果，并在规定时限前发布产品。有些系统在协调世界时（UTC）00、06、12和18时这些主要天气观测时次初始化；另一些系统则每小时甚至更频繁地更新。预报如果发布过晚，即便所用模式更准确，其实际价值也可能较低。\n\n全球模式覆盖整个大气，无需设置人为的侧边界，可为有限区域系统提供大尺度预报指导和边界条件。区域模式将更多计算资源集中于选定区域，能够更细致地刻画地形、海岸线和对流的组织结构。单向嵌套将信息从大区域传递至小区域，而双向嵌套则允许信息双向反馈。区域预报仍然依赖传入的大尺度信息的准确性，尤其是在预报时效延长之后。\n\n几个重要的业务系统体现了不同的机构组织形式。欧洲中期天气预报中心运行综合预报系统。美国运行全球预报系统，以及高分辨率快速更新系统等区域系统。英国气象局开发了统一模式，而日本、中国、加拿大等国的气象机构也各自维护着本国的数值预报系统。各预报中心在国际间交换观测资料，因此，各国的预报产品在很大程度上依赖于全球共享的观测基础设施。\n\n超短期预报通常将快速更新的数值天气预报与临近预报相结合，后者包括对雷达回波和卫星云图特征进行外推。外推能够有效追踪已有降水，但难以预测风暴的生成或消散。数值模式能够描述这些过程，但在预报初始阶段可能出现风暴位置偏差，或需要一段时间才能形成逼真的云场和降水场。融合系统发挥这两种方法的优势，并随预报时效的延长调整两者的相对贡献。\n\n实际应用往往还需要进一步建模。降雨预报用于驱动河流流量模型和山洪模型；风场和气压场则用于驱动海浪和风暴潮预报。航空气象产品将大气状况转化为有关湍流、积冰、能见度和航线沿途风况的信息。可再生能源行业利用风力机轮毂高度处的风、太阳辐射、气温和云层演变等预报。农业系统利用天气预报估算蒸散量或作物胁迫程度。局地影响还取决于暴露程度、基础设施、地形和前期状况，因此，物理上准确的大气预报只是预警系统的组成部分之一。"
    },
    {
      "heading": "检验、校准与本地化解读",
      "text": "预报检验通过将预报与观测或适当的参考分析资料进行比较来衡量预报性能。检验必须明确所针对的变量、地点或区域、季节、预报时效以及参考预报。一个模式对大尺度气压的预报可能有所改进，但对局地强降雨的预报却可能几乎没有改善。平均性能还会掩盖常见天气条件与罕见危险天气事件之间的表现差异。采用一致的样本，并考虑观测覆盖范围和检验方法的变化，才能使比较更有参考价值。\n\n对于连续变量，常用的统计量包括平均误差和均方根误差：\n\n\\[\\mathrm{RMSE}= \\sqrt{\\frac{1}{n}\\sum_{i=1}^{n}(f_i-o_i)^2},\\]\n\n其中，\\(f_i\\) 和 \\(o_i\\) 分别为配对的预报值和观测值。平均误差用于识别系统性偏差，而均方根误差对较大误差赋予更大的权重。距平相关用于评估预报与观测相对于气候参考值的偏离是否一致，广泛应用于大尺度大气场的检验。这些指标中没有任何一个能单独反映所有天气特征的预报质量，而且以分析场为基准进行检验，会使检验结果依赖于分析系统本身。\n\n降水及其他具有显著局地特征的场给检验带来了特殊困难。即使预报的风暴形态逼真，只要其位置相对于观测略有偏移，也可能在格点检验中受到很大的惩罚，因为它会同时被计为漏报和空报。邻域方法考察某一事件是否出现在周围一定范围内，而基于对象的方法则比较风暴的大小、强度、朝向和位移等属性。这些方法能够区分结构误差与精确位置误差，对允许显式模拟对流的模式尤其有用。\n\n概率预报需要从校准程度和区分能力两方面进行衡量。在适当的样本中，如果预报概率为30%的事件实际发生的比例也约为30%，就称该预报具有可靠性。可靠性本身并不意味着预报有用：反复以事件的气候发生频率作为预报概率，虽然可能具有可靠性，却无法提供关于具体天气形势的有效信息。二元结果的布里尔评分为\n\n\\[\\mathrm{BS}=\\frac{1}{n}\\sum_{i=1}^{n}(p_i-o_i)^2,\\]\n\n其中，\\(p_i\\) 为预报概率，\\(o_i\\) 的取值为0或1。连续分级概率评分用于评估完整的预报概率分布。适当评分规则从期望得分的意义上鼓励如实给出概率，而秩直方图等诊断工具则有助于发现集合预报的不足。\n\n统计后处理用于订正系统性误差，并将模式场转化为局地预报。模式输出统计方法将模式预报因子与实际观测天气联系起来，并在20世纪70年代发展成为一种广泛应用的业务方法。现代方法包括集合预报校准、基于分位数的调整以及机器学习技术。这些方法能够考虑台站海拔、海岸线、局地气候特征和持续存在的模式偏差，但需要具有代表性的训练资料。模式升级可能改变误差特征，使历史统计关系的适用性降低。回报试验，即使用一致的预报系统重新运行历史个例，能够为校准提供更加均一的基础，尤其适用于估计罕见事件，或将预报与该模式自身的气候态进行比较。"
    },
    {
      "heading": "机器学习与新兴预报架构",
      "text": "机器学习长期以来一直用于天气预报中的质量控制、偏差订正、统计释用，以及对计算代价高昂的过程进行近似计算。较新的系统则直接根据网格化的大气状态预测大气演变。它们不是在每个预报时间步显式积分传统的动力学方程，而是从海量历史资料中学习大气状态之间的映射关系。训练完成后，这些系统能够快速推理，以远少于某些传统积分方法的计算量生成预报。\n\n2023 年发表的代表性系统包括盘古气象（Pangu-Weather）和 GraphCast。这些系统在多项全球预报评估指标上表现出了较强的中期预报能力。两者的架构虽有不同，但都表明，学习得到的模型能够再现大气演变的重要特征，而不只是进行简单外推。其他方法采用 Transformer 架构、基于傅里叶变换的神经算子或图神经网络。生成式系统则通过生成多个可能的未来状态，而非单一的确定性轨迹，将这类方法拓展到概率预报领域。\n\n训练信息的一个主要来源是大气再分析，即利用总体一致的预报系统对历史观测进行同化。再分析提供空间上完整、以物理知识为基础的大气场，但并不等同于直接观测。学习型系统可能继承再分析的偏差、分辨率局限，以及观测资料影响随时间发生的变化。因此，它们看似独立于传统数值天气预报，实际上这种独立性是有限的：许多系统依赖于利用物理模型和资料同化生成的分析场、再分析资料或初始条件。\n\n评估不能仅仅比较几个全球平均评分。实用的预报系统必须能够应对罕见的极端事件、局地降水、大气平衡关系、不确定性，以及超出其最熟悉的训练范围的条件。守恒性或变量间关系上的微小误差，在短期积分中可能并不显眼，却可能对特定应用产生重要影响。长期积分还可能暴露出标准中期预报测试中不明显的漂移。大气成分和地表条件的变化，也引出了一个问题：学习得到的关系能否推广到历史分布之外的情形。\n\n混合方法将学习型组件与物理方程相结合。机器学习可以模拟辐射传输、改进模型误差订正，或帮助表征未能解析的过程，同时由动力核心维持显式的输送和守恒关系。反过来，也可以将物理约束纳入训练目标或模型架构。业务应用的收益取决于完整的预报流程：即使预报积分变得更快，观测处理、初始化、集合生成、校准和预报产品交付等环节，仍可能需要大量计算资源，或面临科学上的挑战。因此，保持训练数据版本的一致性、在多种天气形势下测试更新，以及在部署后持续监测性能，都是评估这些新型系统不可或缺的组成部分。"
    }
  ],
  "links": [
    "temperature",
    "wind",
    "pressure",
    "precipitation",
    "meteorology",
    "united-states",
    "coriolis-effect",
    "thermodynamics",
    "hydrology",
    "courant-friedrichs-lewy-condition",
    "atmospheric-aerosol",
    "ocean",
    "sea-ice",
    "earth-system-model",
    "chaos-theory",
    "ensemble-forecasting",
    "el-nino-southern-oscillation",
    "united-kingdom",
    "japan",
    "china",
    "canada",
    "flash-flood",
    "storm-surge",
    "renewable-energy",
    "machine-learning"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}