20、天气模拟预测方法：从AnEn到DA Spatial的探索

天气模拟预测方法：从AnEn到DA Spatial的探索

1. 相似性度量类型与预测生成基础

在天气预测领域，将观测空间中的点对映射到非负实数作为相似性度量是关键。存在三种类型的相似性度量：
- Type II ：由于难以通过对天气预报进行变换来设计良好的特征，未受到太多关注。
- Type III ：随着机器学习在预测问题中的应用兴趣增加而兴起。机器学习算法能从历史案例中学习模式，无需手动设计特征，在大型网络和充足训练案例下可学习众多特征。
- AnEn和DA的相似性类型 ：AnEn使用Type I相似性，直接依赖数值天气预报（NWP）的变量计算相似性度量；DA使用Type III相似性，通过训练神经网络学习历史天气模式与相关观测之间的关系。

当确定最相似的历史模式后，可采用多种方法生成未来预测。但由于受观测可用性和预测目标的限制，这一环节常被忽视。然而，选择合适的方法对提高预测准确性至关重要，如AnEn就提出了独特的方法。由于天气系统演化是非线性且自由度高的，初始相似的天气模式随时间会变得差异显著，因此不能仅依赖历史相似案例来简单假设当前天气模式的后续演变。AnEn利用与最相似历史预报相关的观测来生成未来预测，它仅在每个预报提前时间的短时间窗口内搜索相似天气模式，将模拟天气系统混沌特性的任务留给底层动态模型，从而专注于纠正预报偏差和量化不确定性。此外，AnEn还可用于模型降尺度，例如利用低分辨率NWP模型识别天气相似模式，若观测数据密集，可将最相似的天气模式应用于密集网络的每个观测，在有观测的地理位置生成预测。以往研究已使用模拟预报技术对降水、蒸散和温度