◼ 李婧华　编译

　　2021年NOAA发布的《未来十年天气研究优先事项》报告（详见本刊2022年第1期）中确定了三个支柱：观测和资料同化、预报以及信息传递。报告指出，改进资料同化对提升数值天气预报（NWP）和地球系统模式的准确性至关重要。

　　今年1月，NCEP环境模式中心发布最新《NCEP资料同化战略和发展规划》。报告强调了资料同化对于改进天气预报技能的重要性，并提出了未来十年需要解决的几个重大挑战。此外，报告还概述了未来十年需要解决的一些潜在风险，特别是与资源、观测数据、管理和高性能计算相关的风险。

1.改进观测数据的使用

　　尽管目前的资料同化系统可以同化来自不同仪器的各种观测数据，但这些数据仍未得到充分利用。一些新兴设备（如无人机、网络摄像头、地球同步和极地轨道上的新卫星星座，以及不断增加的立方体卫星等）的数据集将改进当前的观测网络。未来十年，NOAA将关注改进当前观测数据的使用，同时也注重新兴的观测技术。

　　改进对传统观测数据的使用。世界气象组织（WMO）推动从传统字母数字代码（TAC）向表格驱动的代码形式（TDCF/BUFR）转变，以提高数据的附加信息内容和改进数据的估计与推算方法。随着高分辨率探空仪数据通过BUFR传播过程变得可用，GSI同化系统已经开发了使用这些数据的能力。高分辨率探空仪数据相比传统的探空仪数据，在垂直方向上更频繁地报告，自动且准确地记录观测值、时间和位置（图1）。未来将专注于更优化地使用更高分辨率数据和其中包含的附加信息，例如改进数据编码和处理，以充分利用BUFR传输数据。

　　地/海面观测平台（如船舶、浮标和地面/航空气象站）提供了大量的近地面气象信息。这些数据被同化进入区域系统（如RAP/HRRR），是重要的数据集。但在全球NWP系统中，这些数据的应用更为复杂，对风、温度和湿度等数据的同化方式各有不同。目前NCEP正探索在GFS/GDAS中直接同化2 m温度和湿度数据，以及利用基于EnKF的强耦合同化来实时更新土壤和近地面大气状态。

　　改进对卫星辐射数据的使用。通过多种方式改进NWP中使用辐射观测数据：（1）改进和增加对不同地表类型的观测；（2）增加在多云和降水条件下的观测；（3）在观测算子和预报模式之间使用一致的假设模型；（4）改进预报模式中云和降水的模拟；（5）改进观测算子的模拟和开发；（6）更好地描述观测误差和改进质量控制；（7）应用变分质量控制（VarQC）；（8）更有效地利用数据；（9）使用更多的卫星辐射数据。

　　改进对GNSS无线电掩星数据的使用。近期工作集中在优化同化现有数据（包括从商业供应商处购买的数据），主要是优化正演算子、更新质量控制程序以及优化分配的观测误差。飞机上部署GNSS无线电掩星的使用不断扩大，以补充针对热带气旋和大气河等高影响事件的观测。此外，NCEP预报系统尚未充分利用地面GNSS数据，将其作为NWP的可降水量信息来源。地面GNSS天顶总延迟（ZTD）的同化在许多NWP系统中已证明是成功的，而且这种观测的国际网络也在不断扩大。未来将重点发展对地面GNSS网络中不断增长的ZTD观测数据的利用能力。

　　改进对臭氧和大气运动矢量反演数据的使用。关于臭氧，目前正在探索直接同化用于臭氧反演的紫外线测量值。实现这一目标的关键是开发快速紫外线正演模型，作为通用辐射传输模式（CRTM）的一部分。在耦合系统背景下，特别是在以对流层化学反应为特征的区域应用中，未来的同化能力应更好地约束对流层低层臭氧。关于大气运动矢量，报告认为，在未来10年里，用直接辐射同化战略取代大气运动矢量产品只是一个愿望。应继续努力优化大气运动矢量产品的使用，例如采用先进的技术来简化或创建超级观测（super-observations），并更好地解释测定高度中的不确定性。此外，应继续推进变分特征轨迹校正等技术发展。

　　改进对雷达观测数据的使用。关于雷达观测和质量控制，目前雷达观测的质量控制算法是为WSR-88D S波段雷达开发的，处理C波段机场天气雷达（TDWR）观测中的质量控制问题是一项重大挑战，需要开发新的质量控制算法。在最近的全球观测系统试验中，对径向风观测的同化已显示出其提升短期预报技能的潜力，应该加以探索。在同化雷达反射率因子方面，随着模式分辨率和集合成员的增加，直接同化反射率因子的方法在改进风暴尺度同化方面具有潜力。为了继续发挥同化雷达反射率因子的优势，今后应探索松弛参数（即高斯性）假设的方法。此外，随着机载雷达技术的发展，雷达资料同化要向双偏振变量同化方向发展。

2. 新的和即将进行的观测

　　原位和非卫星平台。新的和即将进行的原位和非卫星遥感观测在NWP中具有潜力，这些观测包括但不限于：

　　·　超压气球：可用于平流层风的同化和验证

　　·　长持续时间、可控气球：在没有无线电探空仪的区域，单次飞行任务可进行多次廓线测量（图2）

　　·　无人机系统：携带观测载荷的水上无人机、无人飞行器等

　　·　可再生能源部门的观测：如风力发电机组、高塔和风电机舱等观测数据

　　·　众包观测：智能手机气压观测、低成本物联网网络等新兴环境数据

　　·　专业个人气象站、政府/学术部门、私营部门网络的额外地面观测

　　·　网络摄像头

　　其中一些设备的技术成熟度已较高，甚至已在业务中应用。例如，水上无人机的SST观测已在NCEP全球资料同化系统（GDAS）中运行，以约束近海面温度。这一领域发展迅速，但也面临重大挑战，如质量控制、隐私（如智能手机和汽车的观测数据）以及复杂的同化正演算子。

　　卫星辐射。优先事项有：（1）扩展卫星计划所搭载仪器的观测；（2）能为观测系统提供更多信息且只需最低限度开发的新传感器；（3）需要进行重大科学开发的新传感器。下一代卫星（图3）的新传感器主要特征有：微波探测仪（MWS）将增加2个温度通道和3个湿度探测通道，229 GHz通道将提供卷云信息，以改进湿度信息；微波成像仪（MWI）光谱覆盖范围达到18～183 GHz，其中50～60 GHz和118 Hz通道提供弱降水和降雪信息，165 GHz和183 GHz通道提供水汽廓线和降雪信息以实现云切片；先进微波扫描辐射计（AMSR-3）有3个新上午测量湿度和降水的高频通道，10GHz通道将提供更好的SST信息。

　　小卫星和立方体卫星。立方体卫星和小卫星的微波传感器任务使更高频率的时间采样可能性提升，并在有效补充传统气象卫星微波传感器配置方面具有潜力（图4）。未来发展需要：（1）进一步开展研究，确定一个理想的微波探测仪星座，并且增加频段和选择不同轨道。（2）证明有效的校准和验证能力，以保证质量。（3）有能力处理短周期任务的挑战。一般来说，新卫星发射后至少需要6个月到2年的时间才能将数据投入使用。由于小卫星和立方体卫星的寿命较短，需要参与这些任务的特性和质量评估，以确保及时同化数据。（4）与所有观测一样，NWP中心要求接收数据的延迟时间最短（对于一些临近预报和短期天气预报，延迟时间小于10分钟）。

　　WindBorne气球和无人机系统。WindBorne气球提供了一个低成本平台，可以在服务不足的地区收集地面-平流层气象数据。它提供长时间观测、高空数据收集、全球覆盖和精细分辨率。这些观测数据可用于资料同化，以提高NWP准确性和及时性。早期试验已经完成，在预测热带气旋和大气河方面取得了可喜的成果。NOAA/NWS即将完成一项计划，开始采购此类数据以供业务使用。

　　无人机可以在其他方式可能难以到达的区域和场景中捕获重要、高精度、时间敏感的数据，还可以在事件发生前的区域以及海上进行高分辨率观测。近年来，NOAA无人机观测显著增加，来自此类平台的观测数据将继续扩大可用性，以支持资料同化业务系统。

3. 连续资料同化

　　集合方法能够提供宝贵的信息，并将继续成为探索和扩展的领域。背景误差协方差方面，模式方法对于科学和计算性能都至关重要，目前正在探索多网格beta滤波器（图5）等新方法。多尺度同化有助于在分析中更真实地解析所有空间尺度上的特征，并消除对特殊程序的要求，以最大限度地提高性能。平衡和初始化方面，分析需要符合物理现实，但也要与模型平衡保持一致，以免在随后的预测中失衡。非线性与非高斯应用方面，需要放宽和消除次优假设。

4. 耦合资料同化

　　耦合模式需要初始化多个组分，其中一些组分在同化能力、独特的观测系统和不兼容的时空尺度方面的技术成熟度可能不同。推动“无缝隙预测”需要利用地球系统耦合模式，这给资料同化带来了独特的挑战，需要有效和一致的同化方法推进耦合同化。耦合同化将是未来的核心战略要素，未来十年的具体优先事项将包括但不限于：

　　·　研究和开发涵盖耦合强度和准备水平（readiness level）的耦合同化活动

　　·　探索和利用耦合同化的多尺度能力

　　·　利用耦合集合扰动来探索耦合误差协方差，并利用混合EnVar和/或EnKF方法

　　·　向新的创新发展，以处理线性和高斯假设不适用的非线性和非高斯组分

　　·　特别强调耦合界面同化方面的创新，例如在海洋/大气耦合应用中处理SST

　　·　探索其他算法选择的可行性

　　虽然弱耦合同化技术在某些方面比较成熟，并取得了显著的技术进步，但从更广泛的意义上讲，耦合同化仍然是一个相对较新的研发领域（图6）。对于强耦合同化尤其如此，虽然在一些简化和理想化的设置中初具前景，但要在NWS业务应用中实现，还有很长的路要走。

5. 与人工智能/机器学习相结合

　　人工智能技术已广泛应用于NCEP模式。NCEP已经对气溶胶光学厚度（AOD）观测的智能细化进行了早期探索，最近开始探索使用GDAS数据训练的GraphCast NWP模拟器。机器学习可以潜在应用于资料同化过程的许多部分，特别是在观测数据的处理方面。自编码器（autoencoder）的机器学习技术可以快速降低数据集的维度，同时保留重要特征，更好地利用现有的观测数据。机器学习还可以通过识别异常数据质量或异常来源的时间段来实现自动数据监控。NOAA正利用机器学习探索精确和有效的方法来模拟复杂和计算昂贵的地表比辐射率模式。机器学习可以生成高效和准确的切线性和伴随模式，直接应用于4DVar；还可以应用于更复杂的资料同化算法，如混合4DVar和弱约束4DVar。此外，机器学习在资料同化系统输出的后处理中具有潜在的应用前景。

　　鉴于机器学习的快速发展和初步研究中所显示的效益，NCEP需要利用机器学习技术工具箱开发更多的内部专业知识。NCEP成立了专门的人工智能/机器学习研究小组，以促进培训、规划和启动项目。对于资料同化的发展而言，对人工智能/机器学习的集成和开发将是NCEP在未来十年的一个重要优先事项。

6. 再分析资料

　　发展用于校准的再预报数据集的能力是NOAA近期再分析工作的重要推动力。但报告认为，迄今为止，NOAA再分析工作一直被视为孤立的一次性项目，必须将再分析工作纳入到常规业务中。在过去几年中NOAA部署的大多数NWP算子都是基于ERA5再分析数据进行训练，还没有建立一个基于NOAA数据训练的模型。报告指出，再分析资料方面的发展，特别是在为算子训练提供数据集方面，有可能成为未来几年的重要优先事项。