在天气预报中如何/在哪里使用随机性/随机性

Question

我正在寻找有关天气模型如何使用随机性的信息(如果有的话)。从我收集到的数据来看，每天的天气预报使用的是带有初始条件和边界条件的偏微分方程。他们是否使用随机性来改变初始条件(以解释不确定性)?或者在建模过程中是否存在插入随机性的某个点(例如，从正态分布中绘制)?还是说天气模型是完全确定的?

我在EarthScienceSE上读了一个关于降水概率(PoP)的帖子，我仍然不清楚模型中是否有任何随机性，以及它的输出在给定区域内是如何平均的。“任何降水的置信度”和“覆盖区域”是如何生成的(两者相乘得到总体PoP)?

我知道“下雨的机会”是一个非常具体的例子，但我更感兴趣的是在常见天气模型中使用的更普遍的随机性。如。“这个模型使用正态分布来估计这个数量”等等。特别感谢具体信息，例如型号名称和使用随机数的地方。任何帮助都是感激的!

Answer 1

概率用于天气预报。由于我在某些领域缺乏知识，我将只强调一些例子。

在初始化预测模型之前，需要对数据进行同化。这意味着我们需要以某种方式将来自地面站、卫星等的测量数据放入模型中，并将这些数据拟合到网格中。然后我们有了一个“大气状态估计”。这通常涉及成本函数的最小化。典型地，这种“大气状态估计”的不确定性用于过程整体预测。可以找到数据同化的介绍ECMWF报道。每一个可操作的天气预报模型都必须进行这种数据同化过程。既然你特别问了名字，这里有几个:全球预报系统(GFS，可能是你的天气应用程序使用的模型)，ECMWF模型(欧洲中期天气预报中心)，Icosaheadral非流体静力模型(ICON，德国气象服务的业务模型)，数值天气预报的高分辨率局部建模(HIRLAM，一些斯堪的纳维亚国家的业务模型)。

在集合预报中，方程组的解就像你在问题中所说的那样。然而，该模型的某些方面是不同的，以解释不确定性。这些方面可以包括初始条件(包括时间，有时使用时滞)，参数化的变化(有很多，基本上每个过程都不能由模型网格解决)，有时甚至是多模型集成。然后多次启动该模型，以获得多个不同的预测结果。这是一个很好的介绍在ECMWF。可以找到一些关于如何可视化集合预报的想法在这里。

所有这些都集中在初始化模型过程中的概率。然而，即使不使用集合，如果我们知道大气的状态没有误差，我们仍然必须依靠概率由于亚网格尺度过程。一个突出的例子是云层。假设我们有一个平均湿度问美元在网格单元中(这是模型给我们的)。云只有在这种情况下才会形成$q > q_s$,在那里q_s美元是饱和湿度。取决于其他参数，比如温度，概率密度函数问(T,…)美元假定。云量的一个可能的参数化是问(T,…)美元比q_s美元定义云量。我不会给出使用的典型发行版的例子，因为这是一个活跃的研究领域。我想再一次提到ECMWF如果你想看一些pdf使用的细节和例子。

最后，我想补充一点，模型中不确定性的一个主要来源(不一定使用概率)是对流(浅对流和深对流)的参数化。降水与湿度和对流密切相关，因此参数化往往造成较大误差。

我希望这能有所帮助。

编辑:关于降水问题。你看到的谷歌或典型的天气应用程序是基于模型模拟，但肯定不是模型输出。如果谷歌告诉你“你所在地区有30%的降雨概率”，那么这很可能是指某一地区(谷歌未指定)的降水超过某一阈值的可能性为30%。确定性是通过观察整体产生的。在30%的模拟中超过了阈值。这也是高分辨率模型精度较低的原因。预测明天纽约某处的降雨量为0.1升比预测明天中央公园的降雨量为0.1升要容易得多。