天气预报怎么预报的?
这是一个很复杂的问题,简单地说就是预测大气状态的未来变化趋势,其核心是利用当前大气的状态参数和物理过程方程来推测未知的大气状态(如温度、气压等)。 首先需要说明的是无论多么精准复杂的模型都不能完全准确地描述真实大气的情况,所以预测总是带有一定的不确定因素。其次气象数值模式使用的是全球大气总体规律,而每一个区域总会有些独特的天气系统特征,在使用时还需要进行适当简化。最后,尽管目前各类天气现象都可以得到较好的解释,但是雨、雪、冰等等的形态还难以精确模拟,因此对临近时间的精细预报仍存在困难。
目前的数值模式都是基于大气运动三大定律建立的,这三个定律分别是气体动力定律、玻尔兹曼分布定律以及凯尔文-休克尔能量定律。这些定律概括了宏观上大气的运动及能量交换规律。在建立模式中我们需要知道模式的输入参数(大气各层的温度和气压等基本状态参数)和初始条件,通过数学建模的形式将大气运动三定律应用于特定的几何结构中得到一组偏微分方程组。解这组方程就可以得到任意时刻大气各层的状态。当然这三组方程只是大气运动规律的一个简化表述,还必须通过其他的方法确定边界条件。
确定了模式本身之后就需要有足够的样本对其进行训练使之适应现实情况,这个过程就是所谓的“学习”。不同的数据集对于模式的学习效果影响很大,同时如果所选取的样本能够尽可能多地涵盖历史气候的数据范围,那么模式对于未来预测的效果就会更加可靠。 为了实现对近地面天气的预测,人们还开发了基于统计学的预测方法。这些方法不需要考虑大气运动的微观机理,而是直接构建历史数据之间的关系,因而也被称为“统计机器学习”方法。与基于物理的过程模式相比,这种方法可以用于非线性问题和复杂系统的分析,并且具有速度快、可并行处理的特点。虽然统计学习方法不需要对大气内部的结构进行任何假设,但是需要大量的历史数据作为支撑,否则容易陷入“过学习”或者“欠学习”的困境。另外,当需要预测的时间跨度较长时,统计学习方法的误差也会逐渐积累起来。