集合预报初值扰动的核心在于准确捕捉初始场中的误差来源。早期研究表明，误差既包含随机增长分量，也包含组织化、快速增长的扰动，后者在预报初期迅速放大并主导整个误差场，从而对预报不确定性具有决定性影响。因此，如何有效捕获这些快速增长扰动，成为提升集合预报质量的关键。

传统初始扰动生成方法经历了从随机扰动向动力约束扰动的演化。奇异向量（SV）方法通过切线性模式及其伴随模式，在优化时间区间内识别最快增长方向，为欧洲中心（ECMWF）、日本气象厅（JMA）及中国气象局（CMA）等全球主要预报中心所广泛采用。然而，奇异向量方法基于线性近似，在线性化过程中丢失了大量非线性信息，难以捕捉非线性饱和的快速增长模态。这一局限促使学者进一步探索具有非线性增长特征的初始扰动方法。

开云登录入口手机版 地球系统数值模拟与应用全国重点实验室刘娟娟研究员（通讯作者）和王斌研究员指导王静博士（第一作者，天津市气象台高级工程师）在《Quarterly Journal of the Royal Meteorological Society》上发表的题为“The generation of orthogonal nonlinear ensemble perturbations in the China Meteorological Administration-Global Ensemble Prediction System: Method and preliminary tests”的研究论文。该研究在中国气象局全球集合预报系统（CMA-GEPS）中成功开发了正交非线性集合扰动技术，利用现有湿奇异向量，通过集合投影算法施加正交性约束，获得了相互正交的条件非线性最优扰动（CNOPs），为集合预报初值扰动构建提供了新的技术路径。

图1. CMA-GEPS中基于集合方法生成正交非线性集合扰动的流程图

传统预报系统中采用的奇异向量方法在描述扰动增长时存在局限，尤其难以准确刻画非线性增长特征。科研团队通过构建正交条件非线性扰动（O-CNOPs），不仅保留了奇异向量的主要信息，更包含了奇异向量无法表达的信息。研究显示，O-CNOPs所蕴含的信息无法通过湿奇异向量的组合完全表达，相反，15个湿奇异向量中有6个可通过O-CNOPs的线性组合得到良好表达。

在扰动增长特性方面，O-CNOPs展现出明显优势。值得注意的是，部分湿奇异向量在非线性模型中增长缓慢，而每个O-CNOPs成员都表现出显著的增长态势，这为提高预报准确性奠定了坚实基础。

图2 非线性模型中两种方法的24小时预报差异总能量（DTE）对比（左：MSV01-10，右：O-CNOP01-10，时间间隔6小时）

集合预报试验表明，在相同样本数量条件下，采用O-CNOPs生成的集合预报样本在整个预报期内均表现出更优的性能。尤为重要的是，即使O-CNOPs的样本规模小于湿奇异向量，通过对经验参数的适当调整，其预报效果仍能逼近大样本湿奇异向量的水平，这为业务化应用提供了重要技术支撑。

中国气象局地球系统数值预报中心、国家气象中心、中国气象科学研究院及无锡学院的多位专家学者参与了该研究，该研究获得国家自然科学基金项目（42205166、42475167）、中国气象局大气探测中心创新项目及中国气象局青年创新团队项目（CMA2024QN05）的支持。

论文信息：Wang,J.,Wang,B.,Liu,J*.,Chen,J.,Liu,Y.,Liu,X. et al. (2025) The generation of orthogonal nonlinear ensemble perturbations in the China Meteorological Administration-Global Ensemble Prediction System: Method and preliminary tests. Quarterly Journal of the Royal Meteorological Society,e5072. Available from: https://doi.org/10.1002/qj.5072