本文要点
- 全球数值天气预报（NWP）模型在超过1.31亿个网格点上求解偏微分方程，其中 预测周期每六小时在天气图时段更新一次, ，这是所有业务性天气预报的支柱。
- 处理气象数据需要高达29 petaflops的超级计算能力 并生成国家及全球范围内的实时、准确的预测。
- 地球大气层的混沌特性意味着 即使初始条件中存在微小的误差，也会随着时间的推移迅速放大，这使得数据采集和数据同化对预报精度至关重要。
- 集合预测通过使用受扰动的初始条件进行多次模拟 ，以量化不确定性，并为针对极端天气事件、热带气旋及高影响天气现象的决策提供支持。
什么是数值天气预报（NWP）模型？
我们发布的天气预报 访问 每天——在电视上，, 通过专用软件，或在移动平台上 ——其生成依赖于 数值天气预报模型， 通常被称为数值天气预报（NWP）模型。 这些数学模型通过在离散计算网格上求解一组物理方程，来模拟天气系统的演变， 生成计算机生成的预测结果，这些预测是气象预测员和自动化服务所依赖的。
定义： 数值天气预报（NWP）模型通过在三维网格点上数值求解描述流体力学、热力学和辐射的方程，来模拟大气未来的状态。
这些基本方程——一种源自基础物理学的偏微分方程——支配着整个大气柱中温度、风、水汽和降水变化率的规律。它们构成了所有现代天气预报模型的数学核心。
支撑数值天气预报的主要气象中心
对以下方面提出了非凡的要求： 计算基础设施
全球尺度的大气建模对计算资源和存储容量提出了极高的要求。要生成覆盖国家或全球范围的实时天气预报，需要超级计算基础设施，而全球范围内只有极少数机构能够提供这种支持。因此，全球中期天气预报主要由少数几个主要的国家和国际气象中心负责制作。
其中最著名的包括：
- 欧洲中期天气预报中心（ECMWF）, ，欧洲中程天气预报中心
- NOAA, ，美国国家海洋和大气管理局（美国）
这些机构运营的超级计算机在投入运行时，往往跻身当时全球最强大的超级计算机之列。例如，法国气象局（Météo-France）的超级计算机曾位列 全球第30位 于2020年安装时。
这些中心发布全球预测，其 空间分辨率通常在10至50公里之间，具体取决于型号。
预测周期： 每六小时更新一次
为了限制模拟结果随时间推移而产生的偏差，预测会定期更新。全球数值天气预报（NWP）模型每六小时在 综合时段, 00:00、06:00、12:00 和 18:00（协调世界时） – 确保将当前的气象观测数据持续纳入预测流程。 这些连续的更新构成了预测周期。
29 拍浮洛普斯： 所需的计算能力规模
美国国家海洋和大气管理局（NOAA）的超级计算机运算速度约为29 petaflops, ，即每秒29×10¹⁵次数学运算。 只有具备这一水平的计算能力，才能在运营时间限制内求解覆盖数亿个网格点的大气方程组。这也解释了为什么全球只有少数几个主要中心能够自主制作全球范围的天气预报。
数值天气预报模型的内部结构：网格、分辨率和数据点
气氛如何 离散化
数值天气预报模型是基于对覆盖一定区域的一组数学方程进行求解的 计算网格。地球表面沿纬度和经度进行离散化，并按海拔高度进行垂直离散化——这被称为 空间分辨率 该模型的。
GFS模型：一个具体的例子
以美国国家海洋和大气管理局（NOAA）为例， 全球预测系统（GFS）。其水平分辨率约为 28 公里（0.25°）。这意味着气象变量——例如风速或温度——是在大约每25至30公里的固定间隔内计算得出的，这大致相当于 1,440 × 720 个网格点 在表面，或超过 一百万分 总计。
随后，将这些地面点沿垂直方向延伸，以表示不同高度的大气结构。GFS模型包括 127个垂直关卡，导致超过 1.31亿个计算网格点.
参数
GFS 值
水平分辨率
约28公里（0.25°）
地表网格（纬度 × 经度）
1,440 × 720
垂直高度
127
网格点总数
> 1.31亿
时间步长
7分30秒
预测时域
最长15天
每次运行的时间步数
2,880
气象变量
> 150
超级计算机算力（美国国家海洋和大气管理局）
~29 petaflops
时间上的 维度
除了这一空间维度之外，还有 时间维度。为了模拟大气演变，该模型会以固定的时间间隔计算这数百万个点的状态。以GFS为例，计算每 7分30秒，在最长为 15天，对应于 2,880 个时间步长.
考虑到该模型生成的结果超过 150个气象变量, 由于每项任务都需要进行大量数学运算，因此强大的计算能力和充足的存储容量至关重要，这一点不言而喻。
数值天气预报（NWP）模型中的不确定性和误差
对 a 的近似 连续气氛
数值模型在离散的空间和时间网格上提供预测。因此，它们构成了一种 大气现象的近似表示 这些现象本质上是连续的。用于求解物理方程的数值方法也会引入不确定性。
此外，该模型的 初始状态, ，预报开始时对大气状况的描述不可避免地会包含误差，这些误差往往会 随着时间的推移而增强.
提高准确性： 分辨率与物理参数化
提高空间和时间分辨率可以减少这些误差，但这会带来 计算成本显著更高 此外，还需要对物理参数化方案进行调整，以描述更小尺度的现象。几十年来，改进这些物理方案一直是研究领域的热点。
数据同化：将模型与实际观测数据相结合
为了减轻初始状态中的误差， 数据同化方法 发挥核心作用。这体现在将模型的物理方程与所有可获得的观测数据进行最优结合：
- 表面测量
- 卫星观测
- 机载数据
- 无线电探空仪剖面图
这些方法利用了模型运行前几小时内收集的观测数据，并需要 多次连续模拟。因此，为了生成一个尽可能接近观测现实的初始状态，既需要海量的数据，也需要强大的计算能力。
应用：从全球预测到区域模型
谁可以访问 NWP的输出结果？
只有主要的国家或国际气象中心才具备开展所有这些工作的必要资源——计算能力、存储容量以及用于数据共享的国际合作。它们的预报在很大程度上， 可公开访问的.
全球预测 作为区域模型的边界条件
这些全球预测既可以直接使用，也可以作为 高分辨率区域模型的边界条件。后者有助于研究局部现象或开发特定应用，例如 风能或太阳能资源图集.
在此背景下，应用最广泛的公共模型是 天气研究与预测（WRF）模型.
结论
数值天气预报模型是一类复杂的数学工具，它们基于物理方程，对离散时空域内的大气演变进行模拟。虽然其预测精度不断提高，但计算需求也随之日益增加。 预测周期 确保定期更新模拟结果，同时通过有限区域模型，将生成的数据应用于全球和局部两个尺度。
