2022年，相关国际组织和主要发达国家的气象核心科技业务都取得了不同程度的进展与突破。在国际司的指导与大力支持下，我们对2022年全球气象相关机构在预报预测、气象观测、气象服务、科技与人才、气象管理等领域的重要事件和发展水平进行了系统梳理，并分期为大家呈现。

气象预报篇

§  唐伟  刘冠州  郝伊一  于丹  贾朋群

2022年，全球各主要气象中心加大了对“看家”的全球模式性能升级的投入。ECMWF一反近年来每年2次小规模模式升级的做法，而是放慢了脚步，在2022年为2023年模式版次号从47提升到48进行了充分技术准备和评估，与此同时也加快了该中心新的高性能计算设施在意大利新址的落地工作。可以预期，这次ECMWF综合预报系统（IFS）的软件和硬件同步升级，会给全球气象界带来更多惊喜与启示。一是即使是全球最高水平、已经摸到可预报性天花板的模式系统，其性能尚有提升的空间；二是ECMWF率先从2020年代初着力打造以机器学习（ML）等新技术接入综合预报系统全过程的做法，是面对AI驱动的智能预报的最佳选择。也就是说，与其退到动力模式从头开始，不如在某些AI擅长的领域引入深度学习（DL）等技术。2022年，是美国气象部门为计划在2024年推出基于统一预报模式（UFS）的全新预报模式GFSv17打牢基础和定好调子的关键一年。全新的GFS既是美国气象部门过去模式发展的传承，更因融入了开发社区模式和提供趋于完整和多样性的模式套件库等因素，有望使得新模式集中更多美国高校和企业智慧，实现2年前期待的基于FV3大气动力核心的下一代预报模式登上世界之巅的未竟事业。

2022年还是欧美数值模式开放走的最快的一年。在美国UFS的面向社区开放政策之后，ECMWF也开始分步骤开放其IFS模式系统。开放业务模式将可能激励来自广泛气象社区的“众创”，再通过建立研究向业务转化（R2O）机制，反馈到业务模式发展中。2022年，先后有ECMWF、德国气象局、法国气象局和英国气象局“抢先”业务化了科研属性的“风神-1”卫星数据，还倒逼“风神-2”准业务卫星快速研发被提到议事日程，从而上演了一幕由观测的创新带来的核心模式能力提升的互动好戏。

在欧美等国家气象中心模式升级的热潮中，很多学者预计和期待中的企业模式创新，也在2022年掀起大浪潮。包括美国英伟达公司、中国华为等多家IT类企业深度介入数值预报，携AI技术和气象大数据，以数据驱动为特征，分别推出了不同于气象中心的预报模式，并给出了“漂亮”的结果。其中，华为推出的盘古气象数据驱动模型，基于ECMWF的再分析数据，得到了改进的预报结果。这类非实时预报以及尚显稚嫩的企业AI模型，在未来实际预报的比拼中是否真的具有优势，我们拭目以待。

一、2022年热点事件

（一）欧洲中期天气预报中心

ECMWF中期预报水平2021年继续保持全球领先 

ECMWF技术咨询委员会的评估结果显示：2021年，ECMWF总体得分保持稳定。与其他全球中心的预测相比，ECMWF中期预报的高空大气参数预报水平继续保持领先（图1）。就地表参数而言，特别是在短期预报方面，其他中心的预报水平正在向ECMWF靠拢。

图1. 2021年ECMWF和其他气象中心对北半球副热带地区500hPa高度场预报的ACC对比

ECMWF综合预报系统（IFS）将于2023年春季实施版本升级

ECMWF十分注重提高全球数值天气预报的网格分辨率。在1979年的第一次中期业务预报中，网格分辨率为大约200公里。之后，网格分辨率显著提高：1991年约为60公里，2006年高分辨率/集合预报为25公里/50公里，2022年高分辨率/集合预报为9公里/18公里。

下一步模式版本升级48r1即将在2023年春季实施（图2），主要内容包括：集合预报水平分辨率提高到9公里；每日开展101个集合成员的延伸期预报（2周到1个季度之间的预报）；增加多层雪方案。此外，48r1还将引入一个新的、有效的、简单的迭代算法来计算半拉格朗日平流，它涉及到热量、动量、水分和大气成分的传输。

图2. IFS版本升级时间表 

ECMWF：机器学习在综合预报系统中的应用

过去三年，机器学习在天气和气候科学中的应用不断深入。运用机器学习手段可以有效处理从大量的数据中表现出的复杂任务，地球科学的许多问题均有望通过机器学习得到改善。

机器学习在天气和气候建模中最有前途的应用之一是创建所谓的仿真器。通过运行模型并存储模型组件的输入和输出来模拟原始模型组件，以训练机器学习工具——通常基于深度神经网络。然后可以在预测模型中使用该仿真器。ECMWF已经开始着手研究以下两个领域的仿真器：辐射方案ecRad（与英伟达公司合作）；重力波拖曳参数化方案（与牛津大学合作）。

ECMWF于2021年1月发布了《ECMWF未来十年机器学习路线图》。其目标是与成员国和合作国以及欧洲的天气和气候建模社区合作，充分利用机器学习，以期到2031年，机器学习能够完全融入数值天气预报和气候服务中，并在工作流程的多个领域改进数值预测和预报的释用（图3、图4）。

图3. ECMWF已经或计划探索的机器学习应用，不同颜色框对应数值预报工作流中的不同模块

图4. ECMWF机器学习发展时间线及里程碑事件

ECMWF新的高性能计算设施投入运营 

ECMWF位于意大利博洛尼亚的新高性能计算设施于2022年秋季投入运营。新设施由四个Atos BullSequana XH2000综合体组成，将取代ECMWF现有的系统（即位于英国雷丁的两个Cray XC40集群）。这项新的高性能计算服务将提供大约五倍于当前系统的性能。

ECMWF综合预报系统下一次升级将于2023年春季进行，集合预报的水平分辨率将从18公里提高到9公里，以解决较小尺度上发生的天气变化，这就需要强大的计算能力。新设施中有超过100万个内核，25%的超级计算能力专用于成员国，其中10%保留给特殊项目。

ECMWF开放部分综合预报系统代码 

2020年6月，ECMWF决定开放部分综合预报系统代码。目前，已经开放了ecRad辐射方案、CLOUDSC云方案等6个软件包，很快还要开放ecLand陆面方案和ecWAM海浪模式两个软件包。ECMWF在GitHub（世界上最大的代码托管平台）上托管IFS开源组件，以促进代码协作。

此举的主要目的是加强协作、提高效率。因为目前定制使用综合预报系统的许可证和开源材料非常耗时，而且一些期刊也要求研究代码开源。同时这一开放举动也将进一步鼓励计算科学专家在综合预报系统上工作。

ECMWF发布新的数据服务收费模式，进一步开放数据 

ECMWF发布了新的数据服务收费模式，这是其走向开放数据的重要一步。新的服务收费模式用数量收费和服务包取代了ECMWF手续费，用户可以根据他们需要的支持和服务级别来选择。这种新方法通过消除信息成本和ECMWF手续费之间的自动联系，使ECMWF能够逐步降低信息成本。它还允许许可证持有者重新分发或出售ECMWF实时数据给用户个人使用，并且综合预报系统使用许可证的价格最高也降低了近30%。

（二）美国

NOAA开发下一代社区模式——统一预报系统UFS

2014年以来，美国为重回其数值预报世界领先地位，开始研发其下一代数值预报模式——统一预报系统（UFS）。统一预报系统是一个可提供短期、中期、次季节-季节、飓风、空间天气、近海、空气质量预报等多个应用的统一框架。其基础架构包括科学组件、配套基础设施和系统架构，基础设施的骨干是NOAA环境建模系统NEMS，通过统一的基础架构实现了系统中各组件实现“互操作”性。统一预报系统的全球数值天气预报系统GFS和全球集合预报系统GEFS采用FV3动力核心。

从2020年开始，统一预报系统已经在NOAA业务体系中逐步落地，并在GitHub上发布其应用软件的开源代码。2021年3月4日，统一预报系统开放短期天气应用v1.0。2022年6月23日，开放短期天气应用v2.0。根据统一预报系统业务实施计划表，到2024年将实现GFSv17和GEFSv13的业务化统一。

在业务实施效果上，统一预报系统也取得了一定成绩，其全球模式GFS在2021年3月有整整一周击败了ECMWF。取得这样的成绩，其中一个重要的原因就是NOAA首次真正实现了开放式创新——NOAA和美国国家大气研究中心（NCAR）以及高校、企业在模式研发上的联合创新，引领业务数值预报模式走向了“众筹”之路。

地球物理流体动力学实验室无缝隙预测和地球系统研究模式系统取得新进展 

地球物理流体动力学实验室（GFDL）的无缝隙预测和地球系统研究模式系统（SPEAR）是一个全球大气-海洋-陆地-海冰耦合气候模式。近来SPEAR取得的进展如下：

基于SPEAR开发了一个新的次季节预测系统。使用SPEAR进行20多年的冬季回报，对热带大气低频振荡MJO的平均预测有效天数为30天，使其成为世界上最好的MJO预测模式之一。SPEAR季节预测系统正在参与北美多模式集合。SPEAR与NOAA的统一预报系统（UFS）共享两个关键模式组件：FV3动力核心和MOM6海洋模式。从SPEAR及其预测中获得的知识可用于协助UFS的开发和应用。

NOAA用于天气和气候预报的超级计算机获得重大突破

2022年6月28日，NOAA启动了最新的天气和气候超级计算机——山茱萸和仙人掌。两台超级计算机均以12.1 Pflops的速度运行，比NOAA以前的系统快三倍。再加上NOAA在西弗吉尼亚州、田纳西州、密西西比州和科罗拉多州的超级计算机（其总容量为18Pflops），现在NOAA新的业务预测和研究的超级计算能力达到了42Pflops。

增强的计算和存储容量将使NOAA能够部署更高分辨率的模型以更好地捕获强雷暴等小尺度特征，引入更逼真的模式物理过程，以更好地捕获云和降水的形成，开展更多的单个模式模拟以更好地量化模式不确定性。最终结果是更好的预报预警。

今年秋天，新的超级计算机在GFS中应用，并推出一个名为飓风分析和预报系统（HAFS）的新飓风预报模式，该模式计划在2023年飓风季节运行、测试和评估。此外，新的超级计算机将使NOAA的环境建模中心能够在接下来的五年里，让来自美国各地的模式开发人员在统一预报系统框架下开发新的应用。

美国国家大气研究中心合作建立首个综合社区地球空间模型 

美国国家大气研究中心（NCAR）致力于率先建立一个可以模拟整个近地空间环境（从低层大气延伸到月球之外）模式项目。该模式将是开源的，旨在改善科学家对空间天气风暴影响的模拟能力。

多尺度大气-地球空间环境（MAGE）模式是地球空间风暴中心（CGS）的重点。MAGE将把一些现有模式整合在一起，包括NCAR的气候模式（具有热层和电离层扩展）（WACCM-X）。除了在地球空间建模方面的专业知识外，NCAR还在社区建模和优化下一代超级计算机的建模代码方面贡献了丰富的经验。

（三）英国、日本

英国气象局部署下一代模式系统的研发

2022年英国气象局宣布将部署下一代模式系统（NGMS）。当前英国气象局开展业务天气和气候预报的模式系统为统一模式（UM）（UM于1990年代开始开发，多年来逐步升级提升其性能）。

英国气象局表示，最近一段时间UM与NGMS两代模式系统将采用并行的方式发展，到2025年UM的研发将停止，2026年前后，英国气象局的业务模式将从UM过渡到NGMS（图5）。一方面，UM即将更新版本以利用2022年交付的最新高性能计算机系统提升预报能力，且在未来4－5年期间，UM依然是英国气象局业务预报服务的“当家”模式。另一方面，英国气象局宣布将在未来十年研发替代UM的下一代模式NGMS。

NGMS的目标是建立一个全新的、更灵活的模式系统并且面向下一代高性能计算系统。NGMS将重新设计和研发英国气象局天气气候研究和业务系统，模式中将包括海洋和环境。该系统计划在2027年推出，成为英国气象局的数值预报主力模式。目前，该模式的研发已经启动，包括18个子项目，参与人员达到百人。

图5. 英国气象局模式系统发展路线图

英国下一代模式系统的动力核心GungHo达到一个新的里程碑 

2021年5月，GungHo开始运行第一次天气和气候模拟，结果非常令人鼓舞，其模拟结果看起来与英国当前业务模式——统一模式（UM）的结果相当。 

GungHo项目诞生于2011年，旨在规划一个新的动力核心——立方体球体网格动力核心，以开发下一代数值模式系统NGMS。GungHo由英国气象局自然环境研究委员会和科学技术设施委员会召集了来自英国各地的研究人员和软件工程师一起设计和实现。为此，设计和建造了一个新的基础设施LFRic。GungHo动力核心与LFRic建模框架的结合，能更好地应对地球系统中多时空尺度模拟的挑战。该体系混合了有限元、有限体积、半隐式方案等，成为一个现代、灵活、面向对象的软件基础设施，使下一代模式在大规模并行超级计算机上运行时具有可扩展性，确保了未来业务模式的高效运营。下一步GungHo和LFRic将与数据同化系统集成，并与海洋和化学模型耦合。GungHo和LFRic计划在2026-2027年投入运行。

日本气象厅利用新的大气海洋耦合模型提高季节预报精度

日本气象厅2022年发表的厄尔尼诺监测速报、三个月预报、暖冬季节预报产品，已经开始使用新的大气海洋耦合模式，其预报可靠度比以往更高。

新的大气-海洋耦合模式不仅提高了大气模式和海洋模式的分辨率，而且通过精细化积雨云的产生、发展等计算，改善了以厄尔尼诺现象为代表的大气和海洋变化的预测精度，体现在三个月预报和暖冬季节预报中高温和低温等天气特征预报的改善上。

（四）企业创新

华为云提出盘古气象大模型：中短期天气预报准确率高于传统数值预报模式 

2022年11月，来自华为云的研究人员提出一种新的高分辨率全球AI气象预报系统：盘古气象大模型。该模型1小时-7天预测准确率均高于传统数值方法（ECMWF的IFS）和英伟达公司的AI模型（图6），同时预测速度提升10000倍，能够提供秒级的全球气象预报，包括位势、湿度、风速、温度、海平面气压等。盘古气象模型的水平空间分辨率达到0.25°×0.25°，时间分辨率为1小时，覆盖13层垂直高度。作为基础模型，盘古气象大模型还能够直接应用于多个下游场景。例如，在热带风暴预测任务中，该模型的预测准确率显著超过ECMWF高精度预报结果。值得注意的是，该模型基于ERA5再分析数据进行训练和预测。

此前，2022年3月，来自英伟达、劳伦斯伯克利国家实验室、密歇根大学安娜堡分校、莱斯大学等机构的研究者研发了一种基于傅里叶神经网络的AI预测模型FourCastNet，首次把预报水平分辨率提升到了和数值预报相比拟的水平即0.25°×0.25°。FourCastNet采用 GPU训练计算，比传统的数值天气预报模式快约45000倍。实验表明，FourCastNet可以在几秒钟内生成对飓风、大气层河流和极端降水等事件的大规模集合预报，但是其0~7天天气预报准确率仍然落后于ECMWF综合预报系统（IFS） 。

图6. 盘古气象大模型和ECMWF IFS、英伟达AI模型FourCastNet在不同要素、不同预测月份的预测准确率对比

END

来源 | 领略气象     编辑 | 苏杰西