https://iap.cas.cn/gb/xwdt/kyjz/202510/t20251015_7990306.html
集合预报初值扰动的核心在于准确捕捉初始场中的误差来源。早期研究表明，误差既包含随机增长分量，也包含组织化、快速增长的扰动，后者在预报初期迅速放大并主导整个误差场，从而对预报不确定性具有决定性影响。因此，如何有效捕获这些快速增长扰动，成为提升集合预报质量的关键。
传统初始扰动生成方法经历了从随机扰动向动力约束扰动的演化。奇异向量（SV）方法通过切线性模式及其伴随模式，在优化时间区间内识别最快增长方向，为欧洲中心（ECMWF）、日本气象厅（JMA）及中国气象局（CMA）等全球主要预报中心所广泛采用。然而，奇异向量方法基于线性近似，在线性化过程中丢失了大量非线性信息，难以捕捉非线性饱和的快速增长模态。这一局限促使学者进一步探索具有非线性增长特征的初始扰动方法。
中国科学院大气物理研究所地球系统数值模拟与应用全国重点实验室刘娟娟研究员（通讯作者）和王斌研究员指导王静博士（第一作者，天津市气象台高级工程师）在《Quarterly Journal of the Royal Meteorological Society》上发表的题为“The generation of orthogonal nonlinear ensemble perturbations in the China Meteorological Administration-Global Ensemble Prediction System: Method and preliminary tests”的研究论文。该研究在中国气象局全球集合预报系统（CMA-GEPS）中成功开发了正交非线性集合扰动技术，利用现有湿奇异向量，通过集合投影算法施加正交性约束，获得了相互正交的条件非线性最优扰动（CNOPs），为集合预报初值扰动构建提供了新的技术路径。
图1. CMA-GEPS中基于集合方法生成正交非线性集合扰动的流程图
传统预报系统中采用的奇异向量方法在描述扰动增长时存在局限，尤其难以准确刻画非线性增长特征。科研团队通过构建正交条件非线性扰动（O-CNOPs），不仅保留了奇异向量的主要信息，更包含了奇异向量无法表达的信息。研究显示，O-CNOPs所蕴含的信息无法通过湿奇异向量的组合完全表达，相反，15个湿奇异向量中有6个可通过O-CNOPs的线性组合得到良好表达。
在扰动增长特性方面，O-CNOPs展现出明显优势。值得注意的是，部分湿奇异向量在非线性模型中增长缓慢，而每个O-CNOPs成员都表现出显著的增长态势，这为提高预报准确性奠定了坚实基础。
图2 非线性模型中两种方法的24小时预报差异总能量（DTE）对比（左：MSV01-10，右：O-CNOP01-10，时间间隔6小时）
集合预报试验表明，在相同样本数量条件下，采用O-CNOPs生成的集合预报样本在整个预报期内均表现出更优的性能。尤为重要的是，即使O-CNOPs的样本规模小于湿奇异向量，通过对经验参数的适当调整，其预报效果仍能逼近大样本湿奇异向量的水平，这为业务化应用提供了重要技术支撑。
中国气象局地球系统数值预报中心、国家气象中心、中国气象科学研究院及无锡学院的多位专家学者参与了该研究，该研究获得国家自然科学基金项目（42205166、42475167）、中国气象局大气探测中心创新项目及中国气象局青年创新团队项目（CMA2024QN05）的支持。
论文信息：Wang,J.,Wang,B.,Liu,J*.,Chen,J.,Liu,Y.,Liu,X. et al. (2025) The generation of orthogonal nonlinear ensemble perturbations in the China Meteorological Administration-Global Ensemble Prediction System: Method and preliminary tests. Quarterly Journal of the Royal Meteorological Society,e5072. Available from: https://doi.org/10.1002/qj.5072 | 
发表于 2025-10-16 15:53:02
