本文要点
- 全球数值天气预报模型在超过 1.31 亿个网格点上求解偏微分方程，其中 预报周期每 6 小时在天气图时刻更新一次，这是所有业务天气预报的支柱。
- 处理气象数据 并生成国家和全球范围的实时准确预报，需要高达 29 petaflops 的超级算力。
- 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。
数值天气预报模型是什么？
我们每天 获取 的天气预报，无论是在电视上、 通过专用软件，还是在移动平台上 ，都由 数值天气预报模型， 即通常所说的 NWP 模型生成。 这些数学模型在离散计算网格上求解一组物理方程，模拟天气系统的演变， 进而生成计算机预报结果，供预报员和自动化服务使用。
定义： 数值天气预报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。
这些原始方程源自基础物理学，属于偏微分方程，控制着整个大气柱中温度、风、水汽和降水的变化速率。所有现代天气预报模型，都建立在它们这一数学核心之上。
支撑数值天气预报的主要气象中心
对以下方面提出极高要求： 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：
- ECMWF，即欧洲中期天气预报中心
- NOAA，即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，在投用时往往位列当时全球最强之列。例如，法国气象局的超级计算机在 2020 年安装时曾排名 全球第 30 位 。
这些中心发布全球预报，其 空间分辨率通常在 10 至 50 公里之间，具体取决于模式。
预报周期： 每6小时更新一次
为了限制模拟结果随时间发散，预报会定期更新。全球数值天气预报模型每 6 小时在 天气图时刻重新运行，即 00:00、06:00、12:00 和 18:00 UTC ，确保当前气象观测持续进入预报流程。 这些连续更新构成预报周期。
29 petaflops： 所需算力规模
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。 只有具备这一算力，才能在业务时限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主要中心能自主制作全球天气预报。
数值天气预报模型的内部结构：网格、分辨率和数据点
大气如何 离散化
数值天气预报模型要在 计算网格上求解一组数学方程。地球表面按纬度和经度离散，垂直方向按高度离散，这就是模型的 空间分辨率 。
GFS模型：一个具体的例子
以 NOAA 的 全球预报系统（GFS）为例。其水平分辨率约为 28 公里（0.25°）。这意味着风速、温度等气象变量每隔约 25 至 30 公里计算一次，表层网格约为 1,440 × 720 个点 ，全模型总计超过 100 万个点 。
随后把这些表层点沿垂直方向延伸，以表示不同高度的大气结构。GFS 模型设有 127 个垂直层，由此产生超过 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
垂直层数
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 维度
除了空间维度，还要加入 时间维度。为模拟大气演变，模型按固定时间间隔计算数百万个点的状态。以GFS为例，每 7 分 30 秒计算一次，预测时域最长 15 天，对应 2,880 个时间步长.
考虑到模型会输出超过 150 个气象变量，而每个变量都需要大量数学运算，强大算力和充足存储的重要性不言而喻。
数值天气预报（NWP）模型中的不确定性和误差
近似 连续大气
数值模型在离散的空间和时间网格上给出预报，因此只是对本质上连续的大气现象的一种 近似表示 。求解物理方程所用的数值方法也会引入不确定性。
此外，模型的 初始状态，即预测开始时对大气状况的描述，不可避免地含有误差，而这些误差往往会 随时间放大.
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减少这些误差，但这会带来 显著更高的计算成本 ，同时还需要调整物理参数化方案，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方向。
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：
- 地面观测
- 卫星观测
- 机载数据
- 无线电探空剖面
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：从全球预报到区域模型
谁可以获取 数值天气预报输出？
只有主要国家级或国际气象中心才拥有必要资源，包括算力、存储和国际数据共享合作。它们的预报大多 可公开获取.
全球预报 作为区域模型的边界条件
这些全球预报可直接使用，也可作为 高分辨率区域模式的边界条件。后者有助于研究局地现象，或制作特定应用，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 天气研究与预报（WRF）模型.
结论
数值天气预报模型是一类复杂数学工具，基于物理方程，在离散时空域中模拟大气演变。其精度不断提高，但计算需求也日益增加。 预报周期 确保模拟定期更新，而有限区域模式则让这些数据能同时服务于全球和局地尺度。
