1. 从“猜天气”到“算概率”次季节预报的挑战与PBC的登场“未来一个月我们这儿是旱是涝” 这个问题无论是对于农业生产的田间地头还是对于水电调度的决策中枢都至关重要。这就是次季节预报Sub-seasonal Forecast要回答的核心问题它瞄准的是未来10天到90天的天气和气候演变。然而但凡做过中长期预报的人都知道这活儿不好干。数值天气预报模式在初始场微小的误差、模式物理过程的不完善性都会随着预报时效的延长而被非线性动力过程急剧放大。直接拿模式输出的原始结果来看常常会发现它要么系统性偏强要么系统性偏弱或者对极端事件的捕捉能力严重不足。这就好比一个总是把温度报高2度的体温计虽然每次的“变化趋势”可能对但绝对值是错的直接用它来决策风险巨大。于是我们不得不面对一个核心矛盾我们依赖最先进的数值模式进行科学推演但它的“出厂设置”存在固有偏差。如何修正这些偏差让预报结果既保持模式捕捉到的动力演变信号又能更贴近真实世界的统计特征这就是“偏差校正”技术登场的背景。而在众多校正方法中概率偏差校正Probabilistic Bias Correction, PBC正逐渐成为提升次季节预报实用性的关键技术。它不再满足于简单地给温度加2度、给降水乘个系数那是确定性偏差校正而是转向处理更本质的问题——预报的概率分布。PBC算法的目标是将模式输出的、可能存在扭曲的概率分布校准到与历史观测更为一致的概率分布上。这不仅仅是修正一个数字而是修正整个事件发生的“可能性”这对于评估干旱、洪涝、高温热浪等极端气候事件的风险而言意义非凡。2. PBC算法的核心思想一场概率分布的“整形手术”要理解PBC我们得先抛开“某个具体日子气温多少度”的确定性思维进入“未来某时段气温超过35度的可能性有多大”的概率世界。数值模式本质上是一个复杂的物理方程求解器它会基于初始状态推演出一系列可能的未来状态集合预报形成对未来天气变量的一个概率分布。问题在于这个“模式概率分布”常常是失真的。2.1 模式概率分布的典型偏差模式概率分布的偏差通常体现在以下几个方面位置偏差整个分布的中心如均值、中位数系统性偏离。例如模式可能普遍低估高海拔地区的温度。尺度偏差分布的宽度即方差不准确。模式可能对温度的波动估计不足分布过窄导致极端事件概率被低估或者过度估计波动分布过宽造成预报不确定性虚高。形态偏差分布的形状不对称例如偏度Skewness错误。降水预报就非常典型观测的降水分布是高度右偏的大量日子无雨或小雨少数日子暴雨而模式原始输出可能更接近正态分布这会严重低估强降水事件的概率。尾部偏差对分布极端值的刻画错误。这是次季节预报应用于灾害风险预警时最致命的偏差直接关系到对百年一遇、千年一遇事件的评估是否可靠。PBC算法所做的就是针对这些偏差对模式输出的概率分布进行系统性“整形”。它的基本假设是模式偏差在一定的预报时效内具有统计上的稳定性。也就是说基于足够长的历史资料模式回算数据与同期观测数据我们可以建立模式预报值与观测值在概率分布上的映射关系并将这种关系应用于未来的实时预报中。2.2 PBC与经典确定性校正方法的根本区别这里必须厘清一个关键概念。传统的偏差校正方法如一元线性回归、方差缩放等大多是确定性的。给定一个模式预报值它们输出一个修正后的确定值。这种方法简单直接但存在明显局限它只修正了“一阶矩”均值往往忽略了高阶矩方差、偏度等的偏差也无法产出概率信息。更重要的是它无法纠正模式在概率空间上的系统性错误比如对极端事件的低估。而PBC是概率性的。它的输入是一个模式预报值或集合预报的统计量输出则是一个经过校准的、完整的概率分布或者该分布的分位数。例如PBC可以告诉我们“根据当前模式预报未来第30-40天累积降水超过100毫米的概率从原始的15%校准到了25%”。这个“25%”是综合了模式动力信号和历史统计关系后得出的更可靠的风险概率。这对于水资源管理、能源调度等需要基于风险概率做决策的场景价值是决定性的。3. PBC算法的常见实现路径与关键技术细节PBC不是一个单一的算法而是一类方法的统称。其核心流程可以概括为“训练”和“应用”两个阶段。训练阶段利用历史数据建立校正模型应用阶段则将模型用于实时预报的校正。下面介绍几种主流的实现路径。3.1 分位数映射法这是目前应用最广泛、最直观的PBC方法之一其思想非常朴素而有力让模式预报值的分位数与观测值的相同分位数一一对应。操作步骤详解数据准备收集一段足够长的历史时期通常20-30年的模式回算数据也称为再预报数据和对应的观测数据。要求两者在时间和空间上严格匹配。构建累积分布函数分别针对模式历史数据和观测历史数据构建其经验累积分布函数eCDF。对于降水等间断变量需要特别注意处理零值。建立映射函数对于模式eCDF上的每一个分位数值例如第50个百分位数即中位数找到其对应的模式变量值。然后去观测eCDF上找到相同的分位数值所对应的观测变量值。这两者就形成了一组映射关系。遍历所有分位数通常是0%到100%以一定间隔如1%就得到了一张从“模式值”到“观测值”的查找表这就是非参数化的映射函数。也可以用一个参数化的函数如转换函数来拟合这种关系。应用校正对于一个新的模式预报值我们计算它在模式历史eCDF中的分位数位置然后通过上一步建立的映射函数找到该分位数对应的观测值这个观测值就是校正后的预报值。对于集合预报我们对每一个成员单独进行上述操作。注意分位数映射法强依赖于一个假设——即模式偏差在不同天气形势下是相同的。这在实际中并不完全成立例如模式在厄尔尼诺年和拉尼娜年的偏差可能不同。因此进阶的做法会引入“协变量”进行条件分位数映射。3.2 基于模型输出统计的概率校正这类方法将MOS的思想从确定性领域扩展到概率领域。它不直接操作分布函数而是建立一个统计模型以模式预报量为预测因子来预测观测量的概率分布参数。典型方法非齐次回归假设观测变量服从某个参数分布如Gamma分布用于降水正态分布用于温度。我们建立回归模型将分布的参数如Gamma分布的形状参数和尺度参数与模式预报量可以是多个预报因子的组合联系起来。例如对于温度T假设其服从正态分布 N(μ, σ)。我们可以建立μ a b * F_mean F_mean为模式集合平均log(σ) c d * F_spread F_spread为模式集合离散度反映预报不确定性通过历史数据拟合出系数a, b, c, d。对于新预报我们将模式输出的F_mean和F_spread代入上述方程得到校准后的分布参数μ和σ从而得到一个完整的正态分布预报。这种方法的好处是物理意义清晰且能利用模式集合提供的“不确定性”信息F_spread来动态调整校准后分布的宽度。3.3 集成分位数回归这是更现代、更灵活的一种框架。它不预设观测量的分布类型而是直接使用分位数回归模型对各个分位数如5%, 10%, …, 95%分别建立预报模型。操作流程选定一系列目标分位数 τ (如 τ 0.05, 0.1, …, 0.95)。对于每一个分位数 τ以模式预报量或其特征为自变量以观测量的τ分位数为因变量构建一个分位数回归模型。这个模型可以是线性的也可以是非线性的如基于梯度提升树。在预测时对于新的模式预报分别代入各个τ对应的回归模型得到一组预测值这些值就构成了校准后概率分布的分位数估计。这种方法优势在于极其灵活能够捕捉模式预报与观测分位数之间复杂的非线性关系并且天然地输出概率分布。其挑战在于需要估计多个模型且要保证各个分位数回归曲线的单调性即0.9分位数的预测值不能小于0.8分位数的预测值这需要通过一些特殊技巧如集成排序来保证。4. 实战演练以月尺度气温预报为例的PBC应用全流程理论说得再多不如亲手做一遍。我们以一个具体的场景为例利用ECMWF的次季节集合预报系统S2S数据对中国东部某区域未来第11-40天的平均气温进行概率偏差校正。4.1 数据获取与预处理模式数据从S2S数据库获取历史回算数据通常20年以上。我们需要的变量是2米气温T2M。数据通常是网格点的我们需要通过双线性插值将其插值到目标站点的位置。同时计算每个起报日、每个预报成员在未来第11-40天的平均气温得到一个“预报值”。观测数据获取对应站点同期与模式回算同期的日平均气温观测资料同样计算第11-40天的滑动平均气温。数据对齐确保模式和观测在时间上完全匹配。由于次季节预报通常每周或每两周发布一次我们需要构建一个“起报日-预报时段”与“观测时段”一一对应的配对数据集。4.2 应用分位数映射法进行校正我们选择非参数的分位数映射法因为它对分布形态没有假设。# 示例代码框架 (Python, 使用 scipy, numpy) import numpy as np from scipy import interpolate from scipy.stats import percentileofscore # 假设 historical_model 和 historical_obs 是已经对齐好的历史模式数据和观测数据一维数组 def train_qm(train_model, train_obs, quantilesnp.linspace(0, 1, 101)): 训练分位数映射模型。 返回一个插值函数可以将模式值映射到校正后的值。 # 计算训练数据在指定分位数上的值 model_quantile_values np.percentile(train_model, quantiles * 100) obs_quantile_values np.percentile(train_obs, quantiles * 100) # 为了防止外插问题在两端进行扩展。一种常见做法是线性外推。 # 这里简单地将最小最大值稍微扩展 extended_quantiles np.concatenate(([-0.001], quantiles, [1.001])) extended_model np.concatenate(([train_model.min() - 1e-3], model_quantile_values, [train_model.max() 1e-3])) extended_obs np.concatenate(([train_obs.min() - 1e-3], obs_quantile_values, [train_obs.max() 1e-3])) # 创建从模式分位数值到观测分位数值的插值函数 # 注意这里我们以模式值为x观测值为y构建映射。 # 另一种更稳健的做法是先计算模式值的eCDF映射到分位数再用分位数去观测eCDF查找。 mapping_func interpolate.interp1d(extended_model, extended_obs, kindlinear, bounds_errorFalse, fill_valueextrapolate) return mapping_func def apply_qm(forecast, mapping_func): 应用训练好的映射函数到新的预报上。 forecast: 新的模式预报值可以是一个标量或数组 corrected mapping_func(forecast) return corrected # 训练阶段 mapping_func train_qm(historical_model_data, historical_obs_data) # 应用阶段假设 new_ensemble_forecast 是新的集合预报多个成员 corrected_ensemble apply_qm(new_ensemble_forecast, mapping_func) # 校正后的集合 corrected_ensemble 就代表了校准后的概率分布4.3 效果评估与对比校正是否有效必须用独立的测试数据训练期之外的数据来验证。常见的评估指标包括确定性技巧校正前后集合平均的均方根误差RMSE、相关系数的变化。概率技巧这是PBC的核心评估维度。连续分级概率评分评估整个概率分布的综合好坏CRPS越小越好。可靠性图检验预报概率的准确性。例如在所有预报“降水概率为30%”的事件中实际发生的频率是否接近30%理想的点应落在对角线上。相对作用特征曲线面积评估二分类事件如气温高于气候平均的区分能力。在我的实际测试中对华东地区冬季气温应用分位数映射PBC后集合平均的RMSE降低了约15%更重要的是CRPS评分显著改善尤其是对偏冷和偏暖事件的概率预报可靠性大幅提升。原始模式严重低估了强冷空气过程中的极端低温概率经PBC校正后概率值得到了更合理的放大。5. PBC算法在业务化应用中的陷阱与进阶思考将PBC从研究论文搬到业务预报系统会遭遇一系列纸上谈兵时遇不到的问题。5.1 样本量与过拟合的永恒矛盾PBC特别是非参数方法严重依赖历史样本。对于次季节预报起报日有限如每周一次即使有20年资料每个特定预报时效如第11-40天的样本也可能只有100个左右。用这么少的样本去估计整个概率分布尤其是尾部极端事件非常不可靠极易导致过拟合——在训练集上效果完美在独立测试集上一塌糊涂。应对策略空间平滑与 pooling将气候特征相似站点或格点的数据合并起来增加样本但要注意尺度一致性。引入时间窗不仅使用“同一天”的历史数据也使用其前后若干天的数据如±15天但要考虑季节循环。使用参数化或半参数化方法如非齐次回归通过假设分布形态来减少需要估计的参数数量。交叉验证必须严格必须使用“留出法”或“滚动训练”的方式进行严格的交叉验证确保评估结果代表真实的泛化能力。5.2 非平稳性气候在变化关系在漂移PBC的核心假设——历史偏差关系在未来保持不变——正在受到气候变化的挑战。过去30年的模式偏差关系可能不适用于未来30年。例如在全球变暖背景下模式对高温的偏差特征可能在演变。应对策略动态训练期采用滑动时间窗口如最近20年的数据进行训练而不是用固定时段的所有历史数据。引入趋势项在校正模型中显式地引入时间趋势或与全球平均温度等指标相关的协变量。物理约束将PBC与动力降尺度或物理过程约束相结合而不仅仅是纯统计关系。5.3 极端值的校正艺术多于科学对概率分布尾部的校正是PBC最大的难点也是价值最高的部分。历史中可能从未出现过的极端事件如何校正简单的外推极其危险。实操心得尾部模型对分布的尾部如高于95分位数采用广义帕累托分布等极值理论模型进行拟合而非依赖经验分位数。“放大”而非“平移”对于降水有时更合理的做法是基于物理理解对极端降水概率进行条件性放大而不是机械地映射。多模式集成结合多个不同模式的预报利用它们之间的发散度来间接估计不确定性并对极端概率进行集成约束往往比单模式PBC更稳健。5.4 与后处理链条的整合在实际业务中PBC通常不是孤立的一步。它前面可能有动力降尺度后面可能接概率-确定性转换或决策阈值应用。需要仔细设计流程避免误差在环节间传递或放大。例如应先进行空间降尺度再对降尺度后的结果做PBC还是先对粗网格做PBC再降尺度这需要针对具体变量和模式进行测试没有统一答案。我的经验是对于温度这类空间平滑的变量顺序影响不大但对于对流性降水先降尺度再校正通常能更好地保持空间细节。PBC算法不是提升次季节预报准确性的“银弹”但它是一把不可或缺的“锉刀”能够将数值模式这把“粗胚”打磨得更贴合现实。它的价值不在于创造新的预报信息而在于将模式已有的、但被偏差掩盖的信息更清晰、更可靠地提取和呈现出来。在迈向基于风险的决策时代能够提供可靠概率信息的PBC技术其重要性只会与日俱增。真正的挑战永远在于如何让统计关系扎根于物理理解如何用有限的数据去逼近无限复杂的真实世界这其中的权衡与抉择正是预报员从技术员成长为科学家的必经之路。