大气动力与天气预报

天气预报的二十年从单一确定性轨迹转向概率、耦合和多尺度系统。四维同化与集合预报把不确定度写进初值，对流可分辨和公里级全球模式把云系搬进动力方程，AI预报则迫使领域重新回答：速度与平均技巧提高后，极端、守恒和气候外推是否仍可靠。

年份口径：条目年份用于标记该转向进入本领域议程、完成规模化或制度化的时间；“代表出处”另列实际出版年份，二者不强行等同。

第一幕建立概率与高分辨动力框架：集合、4D-Var、显式对流、快速增强、大气河和MJO将可预报性拆成多来源。 本幕保留少量2006年前的必要前史，用来说明后来转向究竟从哪里起步。

甲、四维变分把时间窗内观测共同写进初始场4D-Var Data Assimilation

（一）跨平台、跨对象或跨尺度复验把‘四维变分把时间窗内观测共同写进初始场’背后的旧假定暴露出来：分析场可由同一时刻观测插值到规则网格得到。 在四维变分把时间窗内观测共同写进初始场的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘被同化观测创新方差降低量／总观测创新方差’重写比较口径后，四维变分把时间窗内观测共同写进初始场要求把分子、分母、环境漂移与被排除对象放在同一张账上；在四维变分把时间窗内观测共同写进初始场里，原来被称为噪声的部分由此转成理论证据。

（二）围绕四维变分把时间窗内观测共同写进初始场的核心判断可以直接写成：模式动力约束下对时间窗内全部观测求最优轨迹足以重建初始大气状态。在这条命题里，‘时间窗模式约束反演’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变时间窗模式约束反演并复算被同化观测创新方差降低量／总观测创新方差；若读数不动、独立复验失败或稳定反号，四维变分把时间窗内观测共同写进初始场就必须收窄。

（三）在Rabier，2005年《Quarterly Journal of the Royal Meteorological Society》131:3225–3246，DOI:10.1256/qj…中，四维变分把时间窗内观测共同写进初始场被压到可检查程序。其中的关键材料是：全球中心采用4D-Var后有效利用卫星辐射和异步观测，中期预报技巧持续提高。对四维变分把时间窗内观测共同写进初始场而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到被同化观测创新方差降低量／总观测创新方差，才能说明自己究竟改进了什么。

（四）‘四维变分把时间窗内观测共同写进初始场’的边界是：当模式误差和观测偏差未同时估计时，最优轨迹会把系统偏差吸收入初值。在这一情形下，时间窗模式约束反演可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的被同化观测创新方差降低量／总观测创新方差，而不能只汇总平均成功端。

（五）四维变分把时间窗内观测共同写进初始场对大气动力与天气预报的制度后果不在口号，而在记录方式。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用被同化观测创新方差降低量／总观测创新方差判断可迁移性。

（六）‘四维变分把时间窗内观测共同写进初始场’的跨域接口由‘遥感科学称“观测算子”，另见第068号遥感科学面板’给出。

乙、集合预报把单一路径改写为概率分布Ensemble Weather Prediction

（一）到2006年前后，‘集合预报把单一路径改写为概率分布’把大气动力与天气预报的争论从工具优劣推进到对象定义，而旧账本仍默认‘最佳初值和最佳模式足以给出唯一未来天气轨迹’。 在集合预报把单一路径改写为概率分布的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘观测落入集合区间次数／全部预报次数’重写比较口径后，集合预报把单一路径改写为概率分布要求把分子、分母、环境漂移与被排除对象放在同一张账上；在集合预报把单一路径改写为概率分布里，原来被称为噪声的部分由此转成理论证据。

（二）集合预报把单一路径改写为概率分布真正改变的是因果站位：初值和模式扰动形成的集合分布足以把混沌增长转成概率风险。在这条命题里，‘集合离散度与概率覆盖’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变集合离散度与概率覆盖并复算观测落入集合区间次数／全部预报次数；若读数不动、独立复验失败或稳定反号，集合预报把单一路径改写为概率分布就必须收窄。

（三）Palmer，2000年《Reports on Progress in Physics》63:71–116，DOI:10.1088/0034-4885/63/2/201，〈Predictin…构成集合预报把单一路径改写为概率分布的实证或论证支点。其中的关键材料是：ECMWF集合系统逐步从几十成员扩展并显著改善中期极端概率预报，离散度成为误差预警。对集合预报把单一路径改写为概率分布而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到观测落入集合区间次数／全部预报次数，才能说明自己究竟改进了什么。

（四）‘集合预报把单一路径改写为概率分布’的边界是：当成员欠离散或共享结构偏差时，高一致性会反而产生过度自信。在这一情形下，集合离散度与概率覆盖可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的观测落入集合区间次数／全部预报次数，而不能只汇总平均成功端。

（五）由集合预报把单一路径改写为概率分布推出的实践要求，是把全过程账本置于单次最优值之前。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用观测落入集合区间次数／全部预报次数判断可迁移性。若集合离散度与概率覆盖只在挑选对象上成立，或代价被转移到报告之外，集合预报把单一路径改写为概率分布所代表的进步就只是口径移动。

（六）‘集合预报把单一路径改写为概率分布’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

丙、对流可分辨模式把雷暴从参数化变成显式动力Convection-Permitting Forecasting

（一）在2008年前后的大气动力与天气预报研究中，‘对流可分辨模式把雷暴从参数化变成显式动力’首先击中了旧默认：‘深对流只能在粗网格模式中用统计参数化表示’。 在对流可分辨模式把雷暴从参数化变成显式动力的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘命中对流对象数／全部预报对流对象数’重写比较口径后，对流可分辨模式把雷暴从参数化变成显式动力要求把分子、分母、环境漂移与被排除对象放在同一张账上；在对流可分辨模式把雷暴从参数化变成显式动力里，原来被称为噪声的部分由此转成理论证据。

（二）‘对流可分辨模式把雷暴从参数化变成显式动力’的可反驳主张是：公里级网格显式解析上升气流和冷池足以改善雷暴结构与降水时空分布。在这条命题里，‘公里级显式对流动力’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变公里级显式对流动力并复算命中对流对象数／全部预报对流对象数；若读数不动、独立复验失败或稳定反号，对流可分辨模式把雷暴从参数化变成显式动力就必须收窄。

（三）代表性出处是Weisman等，2008年《Weather and Forecasting》23:407–426，DOI:10.1175/2007WAF2007055.1，〈Experiences wit…。其中的关键材料是：美国4公里试验能够再现飑线、超级单体和夜间对流演变，推动业务对流允许集合。对对流可分辨模式把雷暴从参数化变成显式动力而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到命中对流对象数／全部预报对流对象数，才能说明自己究竟改进了什么。

（四）‘对流可分辨模式把雷暴从参数化变成显式动力’的边界是：当微物理和边界层误差主导时，更细网格会生成更真实外观但错误位置的风暴。在这一情形下，公里级显式对流动力可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的命中对流对象数／全部预报对流对象数，而不能只汇总平均成功端。

（五）在实践上，对流可分辨模式把雷暴从参数化变成显式动力改变了大气动力与天气预报的验收责任。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用命中对流对象数／全部预报对流对象数判断可迁移性。若公里级显式对流动力只在挑选对象上成立，或代价被转移到报告之外，对流可分辨模式把雷暴从参数化变成显式动力所代表的进步就只是口径移动。

（六）‘对流可分辨模式把雷暴从参数化变成显式动力’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

丁、快速增强预报把热带气旋强度问题转成内核—海洋耦合Tropical-Cyclone Rapid Intensification

（一）‘快速增强预报把热带气旋强度问题转成内核—海洋耦合’进入大气动力与天气预报议程时，最先动摇的是‘热带气旋强度主要随大尺度海温和风切变平滑变化’这条默认。 在快速增强预报把热带气旋强度问题转成内核—海洋耦合的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘正确预报快速增强事件数／全部快速增强事件数’重写比较口径后，快速增强预报把热带气旋强度问题转成内核—海洋耦合要求把分子、分母、环境漂移与被排除对象放在同一张账上；在快速增强预报把热带气旋强度问题转成内核—海洋耦合里，原来被称为噪声的部分由此转成理论证据。

（二）快速增强预报把热带气旋强度问题转成内核—海洋耦合不是泛泛增加一种因素，它明确主张：内核结构、海洋热含量和环境条件的阈值组合足以触发24小时内快速增强。在这条命题里，‘内核结构—海洋热量阈值’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变内核结构—海洋热量阈值并复算正确预报快速增强事件数／全部快速增强事件数；若读数不动、独立复验失败或稳定反号，快速增强预报把热带气旋强度问题转成内核—海洋耦合就必须收窄。

（三）Kaplan等，2010年《Weather and Forecasting》25:220–241，DOI:10.1175/2009WAF2222280.1，〈A Revised Tropic…给出了快速增强预报把热带气旋强度问题转成内核—海洋耦合的主要证据。其中的关键材料是：修订指数用卫星与环境变量预测24小时增幅，后续高分辨模式改善眼墙替换和海气通量描述。对快速增强预报把热带气旋强度问题转成内核—海洋耦合而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到正确预报快速增强事件数／全部快速增强事件数，才能说明自己究竟改进了什么。

（四）‘快速增强预报把热带气旋强度问题转成内核—海洋耦合’的边界是：当内核观测缺失和海洋冷尾迹未进入时，模型会漏报最危险的突变。在这一情形下，内核结构—海洋热量阈值可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的正确预报快速增强事件数／全部快速增强事件数，而不能只汇总平均成功端。

（五）快速增强预报把热带气旋强度问题转成内核—海洋耦合还重新划分了大气动力与天气预报中的技术误差与理论信息。

（六）‘快速增强预报把热带气旋强度问题转成内核—海洋耦合’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

戊、北极放大与急流争论把相关性推回动力机制Arctic Amplification and Midlatitude Weather

（一）大气动力与天气预报围绕‘北极放大与急流争论把相关性推回动力机制’积累的异常，使‘中纬度极端与北极海冰变化可视为独立现象’不再能被当成无条件起点。 在北极放大与急流争论把相关性推回动力机制的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘独立模式支持的事件数／全部归因事件数’重写比较口径后，北极放大与急流争论把相关性推回动力机制要求把分子、分母、环境漂移与被排除对象放在同一张账上；在北极放大与急流争论把相关性推回动力机制里，原来被称为噪声的部分由此转成理论证据。

（二）本条把北极放大与急流争论把相关性推回动力机制的立场压缩为一句：北极放大造成的纬向温度梯度和行星波变化足以提高部分阻塞与寒潮概率。在这条命题里，‘纬向梯度—行星波耦合’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变纬向梯度—行星波耦合并复算独立模式支持的事件数／全部归因事件数；若读数不动、独立复验失败或稳定反号，北极放大与急流争论把相关性推回动力机制就必须收窄。

（三）北极放大与急流争论把相关性推回动力机制的证据锚点见Cohen等，2014年《Nature Geoscience》7:627–637，DOI:10.1038/ngeo2234，〈Recent Arctic Amplification and …。其中的关键材料是：观测与模式研究发现若干关联，但不同年代、季节和模型对因果强度结论分裂。对北极放大与急流争论把相关性推回动力机制而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到独立模式支持的事件数／全部归因事件数，才能说明自己究竟改进了什么。

（四）‘北极放大与急流争论把相关性推回动力机制’的边界是：当热带海温和内部变率控制同一急流异常时，北极关联会随样本窗换号。在这一情形下，纬向梯度—行星波耦合可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的独立模式支持的事件数／全部归因事件数，而不能只汇总平均成功端。

（五）大气动力与天气预报若接受北极放大与急流争论把相关性推回动力机制，治理与训练方式也要随之变化。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用独立模式支持的事件数／全部归因事件数判断可迁移性。

（六）‘北极放大与急流争论把相关性推回动力机制’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

己、大气河流把极端降水归因到狭窄水汽通道Atmospheric Rivers

（一）跨平台、跨对象或跨尺度复验把‘大气河流把极端降水归因到狭窄水汽通道’背后的旧假定暴露出来：中纬度暴雨主要由宽尺度气旋水汽输送解释。 在大气河流把极端降水归因到狭窄水汽通道的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘产生洪水的AR时数／全部AR时数’重写比较口径后，大气河流把极端降水归因到狭窄水汽通道要求把分子、分母、环境漂移与被排除对象放在同一张账上；在大气河流把极端降水归因到狭窄水汽通道里，原来被称为噪声的部分由此转成理论证据。

（二）围绕大气河流把极端降水归因到狭窄水汽通道的核心判断可以直接写成：狭长高积分水汽输送带的强度与持续时间足以决定洪水和水资源双重影响。在这条命题里，‘积分水汽输送与持续时间’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变积分水汽输送与持续时间并复算产生洪水的AR时数／全部AR时数；若读数不动、独立复验失败或稳定反号，大气河流把极端降水归因到狭窄水汽通道就必须收窄。

（三）在Ralph等，2018年《Bulletin of the American Meteorological Society》99:837–856，DOI:10.1175/BAMS-D-17-0…中，大气河流把极端降水归因到狭窄水汽通道被压到可检查程序。其中的关键材料是：研究表明大气河流承担中纬度大量经向水汽通量，等级尺度把IVT和持续时间连接到损益。对大气河流把极端降水归因到狭窄水汽通道而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到产生洪水的AR时数／全部AR时数，才能说明自己究竟改进了什么。

（四）‘大气河流把极端降水归因到狭窄水汽通道’的边界是：当地形、积雪和土壤湿度不同，同一级水汽通道会产生补水或灾害相反结果。在这一情形下，积分水汽输送与持续时间可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的产生洪水的AR时数／全部AR时数，而不能只汇总平均成功端。

（五）大气河流把极端降水归因到狭窄水汽通道对大气动力与天气预报的制度后果不在口号，而在记录方式。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用产生洪水的AR时数／全部AR时数判断可迁移性。若积分水汽输送与持续时间只在挑选对象上成立，或代价被转移到报告之外，大气河流把极端降水归因到狭窄水汽通道所代表的进步就只是口径移动。

（六）‘大气河流把极端降水归因到狭窄水汽通道’的跨域接口由‘灾害风险称“影响预报”，另见第205号风险与灾害管理面板（规划中）’给出。

庚、MJO预报把热带季节内波动连接到全球极端Madden–Julian Oscillation Prediction

（一）到2014年前后，‘MJO预报把热带季节内波动连接到全球极端’把大气动力与天气预报的争论从工具优劣推进到对象定义，而旧账本仍默认‘两周以后的天气主要失去动力记忆’。 在MJO预报把热带季节内波动连接到全球极端的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘有技巧MJO预报天数／总提前期’重写比较口径后，MJO预报把热带季节内波动连接到全球极端要求把分子、分母、环境漂移与被排除对象放在同一张账上；在MJO预报把热带季节内波动连接到全球极端里，原来被称为噪声的部分由此转成理论证据。

（二）MJO预报把热带季节内波动连接到全球极端真正改变的是因果站位：MJO相位与振幅足以通过遥相关在2—6周尺度改变季风、寒潮和热带气旋概率。在这条命题里，‘季节内对流传播相位’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变季节内对流传播相位并复算有技巧MJO预报天数／总提前期；若读数不动、独立复验失败或稳定反号，MJO预报把热带季节内波动连接到全球极端就必须收窄。

（三）Vitart，2017年《Quarterly Journal of the Royal Meteorological Society》143:2210–2223，DOI:10.1002/qj…构成MJO预报把热带季节内波动连接到全球极端的实证或论证支点。其中的关键材料是：S2S数据库显示多数模式在MJO上具有约2—4周技巧，并可条件化多地极端概率。对MJO预报把热带季节内波动连接到全球极端而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到有技巧MJO预报天数／总提前期，才能说明自己究竟改进了什么。

（四）‘MJO预报把热带季节内波动连接到全球极端’的边界是：当对流参数化锁相错误时，模式会以正确传播速度产生错误遥相关。在这一情形下，季节内对流传播相位可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的有技巧MJO预报天数／总提前期，而不能只汇总平均成功端。

（五）由MJO预报把热带季节内波动连接到全球极端推出的实践要求，是把全过程账本置于单次最优值之前。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用有技巧MJO预报天数／总提前期判断可迁移性。若季节内对流传播相位只在挑选对象上成立，或代价被转移到报告之外，MJO预报把热带季节内波动连接到全球极端所代表的进步就只是口径移动。

（六）‘MJO预报把热带季节内波动连接到全球极端’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

辛、影响预报把天气量转换为暴露和脆弱性结果Impact-Based Forecasting

（一）在2015年前后的大气动力与天气预报研究中，‘影响预报把天气量转换为暴露和脆弱性结果’首先击中了旧默认：‘预警等级可由风速、雨量或温度阈值单独决定’。 在影响预报把天气量转换为暴露和脆弱性结果的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘正确命中影响事件数／全部发布警报数’重写比较口径后，影响预报把天气量转换为暴露和脆弱性结果要求把分子、分母、环境漂移与被排除对象放在同一张账上；在影响预报把天气量转换为暴露和脆弱性结果里，原来被称为噪声的部分由此转成理论证据。

（二）‘影响预报把天气量转换为暴露和脆弱性结果’的可反驳主张是：危险度与人口暴露、基础设施和脆弱性联合足以预测实际影响并改进警报。在这条命题里，‘危险—暴露—脆弱性合成’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变危险—暴露—脆弱性合成并复算正确命中影响事件数／全部发布警报数；若读数不动、独立复验失败或稳定反号，影响预报把天气量转换为暴露和脆弱性结果就必须收窄。

（三）代表性出处是WMO，2015年《WMO Guidelines on Multi-Hazard Impact-Based Forecast and Warning Services》，WMO-No.115…。其中的关键材料是：英国等业务将道路、洪水和健康影响模型接入天气预警，使用相同降水在不同地点给出不同风险。对影响预报把天气量转换为暴露和脆弱性结果而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到正确命中影响事件数／全部发布警报数，才能说明自己究竟改进了什么。

（四）‘影响预报把天气量转换为暴露和脆弱性结果’的边界是：当暴露数据过时或影响记录选择性强时，影响模型会把社会不平等当作天气可预报性。在这一情形下，危险—暴露—脆弱性合成可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的正确命中影响事件数／全部发布警报数，而不能只汇总平均成功端。

（五）在实践上，影响预报把天气量转换为暴露和脆弱性结果改变了大气动力与天气预报的验收责任。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用正确命中影响事件数／全部发布警报数判断可迁移性。

（六）‘影响预报把天气量转换为暴露和脆弱性结果’的跨域接口由‘灾害风险称“影响预报”，另见第205号风险与灾害管理面板（规划中）’给出。

第二幕由ERA5、Pangu、GraphCast和混合模式推动计算范式转换，同时影响预报、全天空同化和城市孪生把社会暴露接入天气场。

一、海气耦合资料同化把上层海洋带进短期天气Coupled Data Assimilation

（一）‘海气耦合资料同化把上层海洋带进短期天气’进入大气动力与天气预报议程时，最先动摇的是‘天气初值只需准确大气场，海洋可作为固定边界’这条默认。 在海气耦合资料同化把上层海洋带进短期天气的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘因耦合提高技巧的事件数／全部验证事件数’重写比较口径后，海气耦合资料同化把上层海洋带进短期天气要求把分子、分母、环境漂移与被排除对象放在同一张账上；在海气耦合资料同化把上层海洋带进短期天气里，原来被称为噪声的部分由此转成理论证据。

（二）海气耦合资料同化把上层海洋带进短期天气不是泛泛增加一种因素，它明确主张：同步估计海洋混合层、海温和大气状态足以改善热带气旋与季节内预报。在这条命题里，‘海气初值协同估计’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变海气初值协同估计并复算因耦合提高技巧的事件数／全部验证事件数；若读数不动、独立复验失败或稳定反号，海气耦合资料同化把上层海洋带进短期天气就必须收窄。

（三）Mulholland等，2015年《Monthly Weather Review》143:828–844，DOI:10.1175/MWR-D-14-00189.1，〈Assessing th…给出了海气耦合资料同化把上层海洋带进短期天气的主要证据。其中的关键材料是：耦合集合显示海洋分析不确定度会影响热带降水和气旋强度，业务中心逐步采用耦合系统。对海气耦合资料同化把上层海洋带进短期天气而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到因耦合提高技巧的事件数／全部验证事件数，才能说明自己究竟改进了什么。

（四）‘海气耦合资料同化把上层海洋带进短期天气’的边界是：当海洋观测稀疏和通量偏差共享时，耦合会把两个模式偏差锁在一起。在这一情形下，海气初值协同估计可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的因耦合提高技巧的事件数／全部验证事件数，而不能只汇总平均成功端。

（五）海气耦合资料同化把上层海洋带进短期天气还重新划分了大气动力与天气预报中的技术误差与理论信息。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用因耦合提高技巧的事件数／全部验证事件数判断可迁移性。

（六）‘海气耦合资料同化把上层海洋带进短期天气’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

二、平流层—对流层耦合把突然增温带入月尺度预报Stratosphere–Troposphere Coupling

（一）大气动力与天气预报围绕‘平流层—对流层耦合把突然增温带入月尺度预报’积累的异常，使‘平流层变化对地面天气影响弱且太迟’不再能被当成无条件起点。 在平流层—对流层耦合把突然增温带入月尺度预报的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘具有可预报地面响应的增温事件数／全部重大增温事件数’重写比较口径后，平流层—对流层耦合把突然增温带入月尺度预报要求把分子、分母、环境漂移与被排除对象放在同一张账上；在平流层—对流层耦合把突然增温带入月尺度预报里，原来被称为噪声的部分由此转成理论证据。

（二）本条把平流层—对流层耦合把突然增温带入月尺度预报的立场压缩为一句：突然平流层增温及涡旋状态足以在数周尺度调节北大西洋涛动和寒潮概率。在这条命题里，‘平流层涡旋状态下传’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变平流层涡旋状态下传并复算具有可预报地面响应的增温事件数／全部重大增温事件数；若读数不动、独立复验失败或稳定反号，平流层—对流层耦合把突然增温带入月尺度预报就必须收窄。

（三）平流层—对流层耦合把突然增温带入月尺度预报的证据锚点见Butler等，2017年《Bulletin of the American Meteorological Society》98:1913–1928，DOI:10.1175/BAMS-D-1…。其中的关键材料是：复合分析显示重大增温后负NAO和欧亚寒冷概率提高，但事件间差异大。对平流层—对流层耦合把突然增温带入月尺度预报而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到具有可预报地面响应的增温事件数／全部重大增温事件数，才能说明自己究竟改进了什么。

（四）‘平流层—对流层耦合把突然增温带入月尺度预报’的边界是：当热带对流和内部波动主导地面响应时，平流层信号不产生确定结果。在这一情形下，平流层涡旋状态下传可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的具有可预报地面响应的增温事件数／全部重大增温事件数，而不能只汇总平均成功端。

（五）大气动力与天气预报若接受平流层—对流层耦合把突然增温带入月尺度预报，治理与训练方式也要随之变化。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用具有可预报地面响应的增温事件数／全部重大增温事件数判断可迁移性。

（六）‘平流层—对流层耦合把突然增温带入月尺度预报’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

三、次季节到季节计划把2—8周预报变成独立科学对象Subseasonal-to-Seasonal Prediction

（一）跨平台、跨对象或跨尺度复验把‘次季节到季节计划把2—8周预报变成独立科学对象’背后的旧假定暴露出来：天气与季节预报之间的时间段没有可用技巧。 在次季节到季节计划把2—8周预报变成独立科学对象的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘经回报校准仍有技巧的区域周数／全部区域周数’重写比较口径后，次季节到季节计划把2—8周预报变成独立科学对象要求把分子、分母、环境漂移与被排除对象放在同一张账上；在次季节到季节计划把2—8周预报变成独立科学对象里，原来被称为噪声的部分由此转成理论证据。

（二）围绕次季节到季节计划把2—8周预报变成独立科学对象的核心判断可以直接写成：MJO、土壤湿度、积雪、海温和平流层等慢变量足以提供2—8周条件概率。在这条命题里，‘慢变量条件概率’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变慢变量条件概率并复算经回报校准仍有技巧的区域周数／全部区域周数；若读数不动、独立复验失败或稳定反号，次季节到季节计划把2—8周预报变成独立科学对象就必须收窄。

（三）在Vitart等，2017年《Bulletin of the American Meteorological Society》98:163–173，DOI:10.1175/BAMS-D-14-…中，次季节到季节计划把2—8周预报变成独立科学对象被压到可检查程序。其中的关键材料是：S2S数据库统一多个中心的实时与回报预报，使热浪、季风和寒潮技巧可比较。对次季节到季节计划把2—8周预报变成独立科学对象而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到经回报校准仍有技巧的区域周数／全部区域周数，才能说明自己究竟改进了什么。

（四）‘次季节到季节计划把2—8周预报变成独立科学对象’的边界是：当回报样本短且模式升级频繁时，校准关系不会稳定转入实时系统。在这一情形下，慢变量条件概率可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的经回报校准仍有技巧的区域周数／全部区域周数，而不能只汇总平均成功端。

（五）次季节到季节计划把2—8周预报变成独立科学对象对大气动力与天气预报的制度后果不在口号，而在记录方式。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用经回报校准仍有技巧的区域周数／全部区域周数判断可迁移性。

（六）‘次季节到季节计划把2—8周预报变成独立科学对象’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

四、ERA5把再分析推进到小时级全球气候状态ERA5 Reanalysis

（一）到2019年前后，‘ERA5把再分析推进到小时级全球气候状态’把大气动力与天气预报的争论从工具优劣推进到对象定义，而旧账本仍默认‘历史天气记录可由站点观测或旧分析图直接拼接’。 在ERA5把再分析推进到小时级全球气候状态的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘受独立观测约束的网格时次数／全部网格时次数’重写比较口径后，ERA5把再分析推进到小时级全球气候状态要求把分子、分母、环境漂移与被排除对象放在同一张账上；在ERA5把再分析推进到小时级全球气候状态里，原来被称为噪声的部分由此转成理论证据。

（二）ERA5把再分析推进到小时级全球气候状态真正改变的是因果站位：固定模式—同化系统重处理多源观测足以形成时空完整且内部一致的全球状态估计。在这条命题里，‘固定系统历史重分析’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变固定系统历史重分析并复算受独立观测约束的网格时次数／全部网格时次数；若读数不动、独立复验失败或稳定反号，ERA5把再分析推进到小时级全球气候状态就必须收窄。

（三）Hersbach等，2020年《Quarterly Journal of the Royal Meteorological Society》146:1999–2049，DOI:10.1002…构成ERA5把再分析推进到小时级全球气候状态的实证或论证支点。其中的关键材料是：ERA5提供1940年至今、约31公里网格和逐小时数据，广泛用于极端与能源分析。对ERA5把再分析推进到小时级全球气候状态而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到受独立观测约束的网格时次数／全部网格时次数，才能说明自己究竟改进了什么。

（四）‘ERA5把再分析推进到小时级全球气候状态’的边界是：当观测系统年代变化和模式偏差进入时，平滑连续场不等于真实均匀质量。在这一情形下，固定系统历史重分析可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的受独立观测约束的网格时次数／全部网格时次数，而不能只汇总平均成功端。

（五）由ERA5把再分析推进到小时级全球气候状态推出的实践要求，是把全过程账本置于单次最优值之前。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用受独立观测约束的网格时次数／全部网格时次数判断可迁移性。

（六）‘ERA5把再分析推进到小时级全球气候状态’的跨域接口由‘遥感科学称“观测算子”，另见第068号遥感科学面板’给出。

五、全天空卫星同化把云区辐射从弃用变成信息源All-Sky Satellite Data Assimilation

（一）在2019年前后的大气动力与天气预报研究中，‘全天空卫星同化把云区辐射从弃用变成信息源’首先击中了旧默认：‘受云污染的微波和红外辐射应被质量控制删除’。 在全天空卫星同化把云区辐射从弃用变成信息源的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘被有效同化的云区观测数／全部云区观测数’重写比较口径后，全天空卫星同化把云区辐射从弃用变成信息源要求把分子、分母、环境漂移与被排除对象放在同一张账上；在全天空卫星同化把云区辐射从弃用变成信息源里，原来被称为噪声的部分由此转成理论证据。

（二）‘全天空卫星同化把云区辐射从弃用变成信息源’的可反驳主张是：显式模拟云降水条件下的辐射足以让全天空观测约束湿度和风暴结构。在这条命题里，‘全天空观测算子’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变全天空观测算子并复算被有效同化的云区观测数／全部云区观测数；若读数不动、独立复验失败或稳定反号，全天空卫星同化把云区辐射从弃用变成信息源就必须收窄。

（三）代表性出处是Geer等，2018年《Quarterly Journal of the Royal Meteorological Society》144:1191–1217，DOI:10.1002/qj.…。其中的关键材料是：业务中心同化全天空微波后显著增加可用观测量并改善热带与中纬度预报。对全天空卫星同化把云区辐射从弃用变成信息源而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到被有效同化的云区观测数／全部云区观测数，才能说明自己究竟改进了什么。

（四）‘全天空卫星同化把云区辐射从弃用变成信息源’的边界是：当云微物理和观测误差非高斯时，更多辐射会反过来注入模式偏差。在这一情形下，全天空观测算子可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的被有效同化的云区观测数／全部云区观测数，而不能只汇总平均成功端。

（五）在实践上，全天空卫星同化把云区辐射从弃用变成信息源改变了大气动力与天气预报的验收责任。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用被有效同化的云区观测数／全部云区观测数判断可迁移性。若全天空观测算子只在挑选对象上成立，或代价被转移到报告之外，全天空卫星同化把云区辐射从弃用变成信息源所代表的进步就只是口径移动。

（六）‘全天空卫星同化把云区辐射从弃用变成信息源’的跨域接口由‘遥感科学称“观测算子”，另见第068号遥感科学面板’给出。

六、烟雾—天气耦合把野火气溶胶写进辐射与边界层Smoke–Weather Coupling

（一）‘烟雾—天气耦合把野火气溶胶写进辐射与边界层’进入大气动力与天气预报议程时，最先动摇的是‘烟雾只被风被动输送，不回写天气’这条默认。 在烟雾—天气耦合把野火气溶胶写进辐射与边界层的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘包含反馈后改善的预报时次／全部烟雾时次’重写比较口径后，烟雾—天气耦合把野火气溶胶写进辐射与边界层要求把分子、分母、环境漂移与被排除对象放在同一张账上；在烟雾—天气耦合把野火气溶胶写进辐射与边界层里，原来被称为噪声的部分由此转成理论证据。

（二）烟雾—天气耦合把野火气溶胶写进辐射与边界层不是泛泛增加一种因素，它明确主张：气溶胶辐射和云微物理效应足以改变边界层、风和火行为。在这条命题里，‘气溶胶—辐射—边界层反馈’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变气溶胶—辐射—边界层反馈并复算包含反馈后改善的预报时次／全部烟雾时次；若读数不动、独立复验失败或稳定反号，烟雾—天气耦合把野火气溶胶写进辐射与边界层就必须收窄。

（三）Grell等，2011年《Atmospheric Chemistry and Physics》11:5289–5300，DOI:10.5194/acp-11-5289-2011，〈Fully…给出了烟雾—天气耦合把野火气溶胶写进辐射与边界层的主要证据。其中的关键材料是：在线化学天气模式可让烟雾降低地表辐射、稳定边界层并改变羽流输送，极端火季中效应可达数度。对烟雾—天气耦合把野火气溶胶写进辐射与边界层而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到包含反馈后改善的预报时次／全部烟雾时次，才能说明自己究竟改进了什么。

（四）‘烟雾—天气耦合把野火气溶胶写进辐射与边界层’的边界是：当排放高度和粒径错误时，耦合反馈会放大初始排放偏差。在这一情形下，气溶胶—辐射—边界层反馈可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的包含反馈后改善的预报时次／全部烟雾时次，而不能只汇总平均成功端。

（五）烟雾—天气耦合把野火气溶胶写进辐射与边界层还重新划分了大气动力与天气预报中的技术误差与理论信息。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用包含反馈后改善的预报时次／全部烟雾时次判断可迁移性。

（六）‘烟雾—天气耦合把野火气溶胶写进辐射与边界层’的跨域接口由‘灾害风险称“影响预报”，另见第205号风险与灾害管理面板（规划中）’给出。

七、物理—机器学习混合把守恒和数据拟合放进同一模式Hybrid Physics–ML Forecasting

（一）大气动力与天气预报围绕‘物理—机器学习混合把守恒和数据拟合放进同一模式’积累的异常，使‘参数化只能由人工构造经验公式或全数据黑箱替代’不再能被当成无条件起点。 在物理—机器学习混合把守恒和数据拟合放进同一模式的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘稳定积分时长／总测试时长’重写比较口径后，物理—机器学习混合把守恒和数据拟合放进同一模式要求把分子、分母、环境漂移与被排除对象放在同一张账上；在物理—机器学习混合把守恒和数据拟合放进同一模式里，原来被称为噪声的部分由此转成理论证据。

（二）本条把物理—机器学习混合把守恒和数据拟合放进同一模式的立场压缩为一句：将学习模块嵌入动力模式并施加物理约束足以改善次网格过程而保持长期稳定。在这条命题里，‘受约束学习参数化’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变受约束学习参数化并复算稳定积分时长／总测试时长；若读数不动、独立复验失败或稳定反号，物理—机器学习混合把守恒和数据拟合放进同一模式就必须收窄。

（三）物理—机器学习混合把守恒和数据拟合放进同一模式的证据锚点见Rasp、Pritchard与Gentine，2018年《Proceedings of the National Academy of Sciences》115:9684–9689，DOI:…。其中的关键材料是：神经网络从高分辨模拟学习对流倾向并嵌入简化模式，展示短期准确性与稳定性条件。对物理—机器学习混合把守恒和数据拟合放进同一模式而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到稳定积分时长／总测试时长，才能说明自己究竟改进了什么。

（四）‘物理—机器学习混合把守恒和数据拟合放进同一模式’的边界是：当训练分布之外的气候状态出现时，学习参数化会把误差反馈放大导致崩溃。在这一情形下，受约束学习参数化可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的稳定积分时长／总测试时长，而不能只汇总平均成功端。

（五）大气动力与天气预报若接受物理—机器学习混合把守恒和数据拟合放进同一模式，治理与训练方式也要随之变化。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用稳定积分时长／总测试时长判断可迁移性。

（六）‘物理—机器学习混合把守恒和数据拟合放进同一模式’的跨域接口由‘时间序列称“概率校准”，另见第309号时间序列面板’给出。

八、深度学习临近预报把雷达回波从平移变成生成分布Deep-Learning Nowcasting

（一）跨平台、跨对象或跨尺度复验把‘深度学习临近预报把雷达回波从平移变成生成分布’背后的旧假定暴露出来：0—2小时降水可由光流平移当前雷达回波近似。 在深度学习临近预报把雷达回波从平移变成生成分布的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘超过强降水阈值的命中像元数／全部预报阈值像元数’重写比较口径后，深度学习临近预报把雷达回波从平移变成生成分布要求把分子、分母、环境漂移与被排除对象放在同一张账上；在深度学习临近预报把雷达回波从平移变成生成分布里，原来被称为噪声的部分由此转成理论证据。

（二）围绕深度学习临近预报把雷达回波从平移变成生成分布的核心判断可以直接写成：生成模型学习回波生消和不确定分布足以改善强降水临近预报。在这条命题里，‘概率生成式回波演变’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变概率生成式回波演变并复算超过强降水阈值的命中像元数／全部预报阈值像元数；若读数不动、独立复验失败或稳定反号，深度学习临近预报把雷达回波从平移变成生成分布就必须收窄。

（三）在Ravuri等，2021年《Nature》597:672–677，DOI:10.1038/s41586-021-03854-z，〈Skilful Precipitation Nowcasti…中，深度学习临近预报把雷达回波从平移变成生成分布被压到可检查程序。其中的关键材料是：英国雷达数据上的生成模型在专家盲评和多种技巧分数上优于传统外推与确定性深网。对深度学习临近预报把雷达回波从平移变成生成分布而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到超过强降水阈值的命中像元数／全部预报阈值像元数，才能说明自己究竟改进了什么。

（四）‘深度学习临近预报把雷达回波从平移变成生成分布’的边界是：当雷达质量、地形和气候区改变时，逼真纹理会掩盖位置与强度偏差。在这一情形下，概率生成式回波演变可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的超过强降水阈值的命中像元数／全部预报阈值像元数，而不能只汇总平均成功端。

（五）深度学习临近预报把雷达回波从平移变成生成分布对大气动力与天气预报的制度后果不在口号，而在记录方式。

（六）‘深度学习临近预报把雷达回波从平移变成生成分布’的跨域接口由‘时间序列称“概率校准”，另见第309号时间序列面板’给出。

九、公里级全球模式把云系统带入气候—天气统一框架Global Kilometer-Scale Models

（一）到2022年前后，‘公里级全球模式把云系统带入气候—天气统一框架’把大气动力与天气预报的争论从工具优劣推进到对象定义，而旧账本仍默认‘全球模式只能在几十公里网格上参数化深对流’。 在公里级全球模式把云系统带入气候—天气统一框架的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘显式解析对流网格时数／总模拟网格时数’重写比较口径后，公里级全球模式把云系统带入气候—天气统一框架要求把分子、分母、环境漂移与被排除对象放在同一张账上；在公里级全球模式把云系统带入气候—天气统一框架里，原来被称为噪声的部分由此转成理论证据。

（二）公里级全球模式把云系统带入气候—天气统一框架真正改变的是因果站位：公里级全球计算足以显式模拟风暴、地形降水和部分云组织。在这条命题里，‘全球公里级显式动力’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变全球公里级显式动力并复算显式解析对流网格时数／总模拟网格时数；若读数不动、独立复验失败或稳定反号，公里级全球模式把云系统带入气候—天气统一框架就必须收窄。

（三）Schär等，2020年《Bulletin of the American Meteorological Society》101:E567–E587，DOI:10.1175/BAMS-D-1…构成公里级全球模式把云系统带入气候—天气统一框架的实证或论证支点。其中的关键材料是：DYAMOND等国际比较运行数公里全球模式数十天，解析热带云团和中纬度风暴结构。对公里级全球模式把云系统带入气候—天气统一框架而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到显式解析对流网格时数／总模拟网格时数，才能说明自己究竟改进了什么。

（四）‘公里级全球模式把云系统带入气候—天气统一框架’的边界是：当算力限制集合规模与长期积分时，分辨率提高会以不确定度采样不足为代价。在这一情形下，全球公里级显式动力可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的显式解析对流网格时数／总模拟网格时数，而不能只汇总平均成功端。

（五）由公里级全球模式把云系统带入气候—天气统一框架推出的实践要求，是把全过程账本置于单次最优值之前。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用显式解析对流网格时数／总模拟网格时数判断可迁移性。

（六）‘公里级全球模式把云系统带入气候—天气统一框架’的跨域接口由‘气候科学称“可预报性”，另见第063号气候科学面板’给出。

十、Pangu-Weather把三维预报变成深度学习映射Pangu-Weather

（一）在2023年前后的大气动力与天气预报研究中，‘Pangu-Weather把三维预报变成深度学习映射’首先击中了旧默认：‘全球中期预报必须逐步数值积分完整物理方程’。 在Pangu-Weather把三维预报变成深度学习映射的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘优于数值基线的网格变量数／全部验证网格变量数’重写比较口径后，Pangu-Weather把三维预报变成深度学习映射要求把分子、分母、环境漂移与被排除对象放在同一张账上；在Pangu-Weather把三维预报变成深度学习映射里，原来被称为噪声的部分由此转成理论证据。

（二）‘Pangu-Weather把三维预报变成深度学习映射’的可反驳主张是：从再分析学习多时效三维状态映射足以在秒级生成具有竞争力的确定性预报。在这条命题里，‘学习型三维状态推进’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变学习型三维状态推进并复算优于数值基线的网格变量数／全部验证网格变量数；若读数不动、独立复验失败或稳定反号，Pangu-Weather把三维预报变成深度学习映射就必须收窄。

（三）代表性出处是Bi等，2023年《Nature》619:533–538，DOI:10.1038/s41586-023-06185-3，〈Accurate Medium-Range Global Weath…。其中的关键材料是：Pangu-Weather在多个变量和提前期上优于当时业务确定性基线，并将10天预报计算压到秒级。对Pangu-Weather把三维预报变成深度学习映射而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到优于数值基线的网格变量数／全部验证网格变量数，才能说明自己究竟改进了什么。

（四）‘Pangu-Weather把三维预报变成深度学习映射’的边界是：当训练气候之外的极端、观测系统改变或守恒约束缺失时，平均技巧优势可能在尾部反转。在这一情形下，学习型三维状态推进可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的优于数值基线的网格变量数／全部验证网格变量数，而不能只汇总平均成功端。

（五）在实践上，Pangu-Weather把三维预报变成深度学习映射改变了大气动力与天气预报的验收责任。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用优于数值基线的网格变量数／全部验证网格变量数判断可迁移性。若学习型三维状态推进只在挑选对象上成立，或代价被转移到报告之外，Pangu-Weather把三维预报变成深度学习映射所代表的进步就只是口径移动。

（六）‘Pangu-Weather把三维预报变成深度学习映射’的跨域接口由‘时间序列称“概率校准”，另见第309号时间序列面板’给出。

十一、GraphCast把全球预报改写为图网格消息传递GraphCast

（一）‘GraphCast把全球预报改写为图网格消息传递’进入大气动力与天气预报议程时，最先动摇的是‘规则经纬网格上的卷积是学习全球大气的自然表示’这条默认。 在GraphCast把全球预报改写为图网格消息传递的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘优于业务基线的目标数／全部验证目标数’重写比较口径后，GraphCast把全球预报改写为图网格消息传递要求把分子、分母、环境漂移与被排除对象放在同一张账上；在GraphCast把全球预报改写为图网格消息传递里，原来被称为噪声的部分由此转成理论证据。

（二）GraphCast把全球预报改写为图网格消息传递不是泛泛增加一种因素，它明确主张：多尺度球面图网络的消息传递足以学习全球相互作用并提高中期预报效率。在这条命题里，‘多尺度球面图传播’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变多尺度球面图传播并复算优于业务基线的目标数／全部验证目标数；若读数不动、独立复验失败或稳定反号，GraphCast把全球预报改写为图网格消息传递就必须收窄。

（三）Lam等，2023年《Science》382:1416–1421，DOI:10.1126/science.adi2336，〈Learning Skillful Medium-Range Gl…给出了GraphCast把全球预报改写为图网格消息传递的主要证据。其中的关键材料是：GraphCast在1380个验证目标中约90%优于HRES，并能追踪热带气旋和大气河流。对GraphCast把全球预报改写为图网格消息传递而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到优于业务基线的目标数／全部验证目标数，才能说明自己究竟改进了什么。

（四）‘GraphCast把全球预报改写为图网格消息传递’的边界是：当验证基准、初始化和再分析误差共享时，优越性可能部分来自共同数据链。在这一情形下，多尺度球面图传播可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的优于业务基线的目标数／全部验证目标数，而不能只汇总平均成功端。

（五）GraphCast把全球预报改写为图网格消息传递还重新划分了大气动力与天气预报中的技术误差与理论信息。设计阶段要登记初始场、动力模式、观测覆盖与概率验证的版本与适用范围，执行阶段保存失败、偏离和资源消耗，验收阶段则用优于业务基线的目标数／全部验证目标数判断可迁移性。若多尺度球面图传播只在挑选对象上成立，或代价被转移到报告之外，GraphCast把全球预报改写为图网格消息传递所代表的进步就只是口径移动。

（六）‘GraphCast把全球预报改写为图网格消息传递’的跨域接口由‘时间序列称“概率校准”，另见第309号时间序列面板’给出。

十二、GenCast把集合预报改写为生成式概率轨迹GenCast Generative Probabilistic Forecasting

（一）大气动力与天气预报围绕‘GenCast把集合预报改写为生成式概率轨迹’积累的异常，使‘只要单个机器学习预报的均方误差更低，确定性最优即可代表完整天气不确定性’不再能被当成无条件起点。 在GenCast把集合预报改写为生成式概率轨迹的旧账本中，初始场、动力模式、观测覆盖与概率验证被当成外部背景，因而更容易记录成功对象而忽略失败与未完成者。用‘在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数’重写比较口径后，GenCast把集合预报改写为生成式概率轨迹要求把分子、分母、环境漂移与被排除对象放在同一张账上；在GenCast把集合预报改写为生成式概率轨迹里，原来被称为噪声的部分由此转成理论证据。

（二）本条把GenCast把集合预报改写为生成式概率轨迹的立场压缩为一句：生成式联合概率轨迹是否同时保持锐利、校准与时空依赖，足以决定机器学习天气预报能否服务风险决策。在这条命题里，‘生成联合概率天气轨迹的校准与依赖结构’是决定项，其余条件进入控制与边界，而不是被并列成无法证伪的因素清单。固定初始场、动力模式、观测覆盖与概率验证的其他部分，只改变生成联合概率天气轨迹的校准与依赖结构并复算在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数；若读数不动、独立复验失败或稳定反号，GenCast把集合预报改写为生成式概率轨迹就必须收窄。

（三）GenCast把集合预报改写为生成式概率轨迹的证据锚点见Price等，2025年〈Probabilistic Weather Forecasting with Machine Learning〉，《Nature》637:84–90，DOI:10.…。其中的关键材料是：GenCast生成15天、12小时间隔的全球集合预报；在5400个空间池化验证目标上，平均池化CRPS有98.1%优于ECMWF ENS，最大池化CRPS有97.6%优于ENS，并改善极端天气的相对经济价值。对GenCast把集合预报改写为生成式概率轨迹而言，这笔材料把‘更好’拆成可复算的样本、阈值、误差、结构或性能差；后来的工作即使用更大数据或更复杂模型，也仍须回到在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数，才能说明自己究竟改进了什么。

（四）‘GenCast把集合预报改写为生成式概率轨迹’的边界是：当ERA5分析误差被当成真值、0.25度分辨率遗漏局地对流，或部署分布偏离训练气候时，生成轨迹的校准与极端尾部优势可能下降甚至反向。在这一情形下，生成联合概率天气轨迹的校准与依赖结构可能从驱动项变成被对象选择、测量回写或环境改变牵引的结果，原有优势甚至会反向。要让大气动力与天气预报中的争论收敛，报告必须并列边界内、边界外和无法分类对象的在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数，而不能只汇总平均成功端。

（五）大气动力与天气预报若接受GenCast把集合预报改写为生成式概率轨迹，治理与训练方式也要随之变化。

（六）‘GenCast把集合预报改写为生成式概率轨迹’的跨域接口由‘统计学称“生成式联合分布”，另见第257号统计学面板’给出。

◎ 二十年连起来看

大气动力与天气预报的第一条贯穿线由四维变分把时间窗内观测共同写进初始场、集合预报把单一路径改写为概率分布、对流可分辨模式把雷暴从参数化变成显式动力、快速增强预报把热带气旋强度问题转成内核—海洋耦合等转向组成：领域不再默认同名对象拥有同一结构。这些工作把时间窗模式约束反演、集合离散度与概率覆盖、公里级显式对流动力从背景提到主问题，并用被同化观测创新方差降低量／总观测创新方差；观测落入集合区间次数／全部预报次数替代笼统的‘更准确’。由此，初始场、动力模式、观测覆盖与概率验证第一次能在同一张账本中接受反例检验。

大气动力与天气预报的第二条贯穿线出现在影响预报把天气量转换为暴露和脆弱性结果、海气耦合资料同化把上层海洋带进短期天气、平流层—对流层耦合把突然增温带入月尺度预报、次季节到季节计划把2—8周预报变成独立科学对象之间：操作路径、标准和基础设施开始回写研究对象。当危险—暴露—脆弱性合成、海气初值协同估计、平流层涡旋状态下传发生变化时，原有分类和指标不再保持中立；正确命中影响事件数／全部发布警报数；因耦合提高技巧的事件数／全部验证事件数因此不仅是读数，也是制度选择的痕迹。

大气动力与天气预报最近一阶段的共同动作可从物理—机器学习混合把守恒和数据拟合放进同一模式、深度学习临近预报把雷达回波从平移变成生成分布、公里级全球模式把云系统带入气候—天气统一框架、Pangu-Weather把三维预报变成深度学习映射看出：失败对象、外部成本和未入账部分被重新带回分母。围绕受约束学习参数化、概率生成式回波演变、全球公里级显式动力的争论表明，未来进步取决于稳定积分时长／总测试时长；超过强降水阈值的命中像元数／全部预报阈值像元数能否跨机构维持方向，而不是论文或参数数量。

◎ 三个常见误解

误解一：大气动力与天气预报的进步等于位数更多、模型更大或装置更复杂。这很容易从集合预报把单一路径改写为概率分布的表面性能得到支持，但真正转向是集合离散度与概率覆盖改变了观测落入集合区间次数／全部预报次数的对象与分母；若初始场、动力模式、观测覆盖与概率验证未固定，更高精度可能只是更稳定的偏差。

误解二：大气动力与天气预报中的一项方法进入标准、指南或主流软件，就已完成实质验证。平流层—对流层耦合把突然增温带入月尺度预报说明制度采纳会反过来改变指标含义；只有同时公开‘当热带对流和内部波动主导地面响应时，平流层信号不产生确定结果’时的结果，形式合规才可能接近实质可靠。

误解三：大气动力与天气预报只要继续扩大数据规模，就能自动获得可迁移结论。Pangu-Weather把三维预报变成深度学习映射表明更多数据只能缩小既定分布内的随机误差，不能补回未进入优于数值基线的网格变量数／全部验证网格变量数的人、材料、语境或失败过程。

◎ 与相邻领域的接口

大气动力与天气预报中的‘对流可分辨模式把雷暴从参数化变成显式动力’与气候科学称“可预报性”，另见第063号气候科学面板形成接口。两边只有在共同使用‘命中对流对象数／全部预报对流对象数’时才算讨论同一动作；本面板追踪公里级显式对流动力怎样改写初始场、动力模式、观测覆盖与概率验证，相邻面板则检验相同结构在另一种材料、制度或人群中是否仍同向。

大气动力与天气预报中的‘平流层—对流层耦合把突然增温带入月尺度预报’与气候科学称“可预报性”，另见第063号气候科学面板形成接口。两边只有在共同使用‘具有可预报地面响应的增温事件数／全部重大增温事件数’时才算讨论同一动作；本面板追踪平流层涡旋状态下传怎样改写初始场、动力模式、观测覆盖与概率验证，相邻面板则检验相同结构在另一种材料、制度或人群中是否仍同向。

大气动力与天气预报中的‘公里级全球模式把云系统带入气候—天气统一框架’与气候科学称“可预报性”，另见第063号气候科学面板形成接口。两边只有在共同使用‘显式解析对流网格时数／总模拟网格时数’时才算讨论同一动作；本面板追踪全球公里级显式动力怎样改写初始场、动力模式、观测覆盖与概率验证，相邻面板则检验相同结构在另一种材料、制度或人群中是否仍同向。

大气动力与天气预报中的‘GenCast把集合预报改写为生成式概率轨迹’与统计学称“生成式联合分布”，另见第257号统计学面板形成接口。两边只有在共同使用‘在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数’时才算讨论同一动作；本面板追踪生成联合概率天气轨迹的校准与依赖结构怎样改写初始场、动力模式、观测覆盖与概率验证，相邻面板则检验相同结构在另一种材料、制度或人群中是否仍同向。

◎ 争议现场

大气动力与天气预报围绕‘北极放大与急流争论把相关性推回动力机制’尚未收敛的争点是：当热带海温和内部变率控制同一急流异常时，北极关联会随样本窗换号。可执行的收敛方案是预注册边界内、边界外与无法分类三组对象，固定初始场、动力模式、观测覆盖与概率验证的其余部分，同时报告独立模式支持的事件数／全部归因事件数、失败样本和资源成本；若三组读数没有出现命题预测的方向差异，纬向梯度—行星波耦合就不能继续被视为决定项。

大气动力与天气预报围绕‘ERA5把再分析推进到小时级全球气候状态’尚未收敛的争点是：当观测系统年代变化和模式偏差进入时，平滑连续场不等于真实均匀质量。可执行的收敛方案是预注册边界内、边界外与无法分类三组对象，固定初始场、动力模式、观测覆盖与概率验证的其余部分，同时报告受独立观测约束的网格时次数／全部网格时次数、失败样本和资源成本；若三组读数没有出现命题预测的方向差异，固定系统历史重分析就不能继续被视为决定项。

大气动力与天气预报围绕‘GraphCast把全球预报改写为图网格消息传递’尚未收敛的争点是：当验证基准、初始化和再分析误差共享时，优越性可能部分来自共同数据链。可执行的收敛方案是预注册边界内、边界外与无法分类三组对象，固定初始场、动力模式、观测覆盖与概率验证的其余部分，同时报告优于业务基线的目标数／全部验证目标数、失败样本和资源成本；若三组读数没有出现命题预测的方向差异，多尺度球面图传播就不能继续被视为决定项。

◎ 往下五年看什么

未来五年，大气动力与天气预报可直接观察‘Pangu-Weather把三维预报变成深度学习映射’的优于数值基线的网格变量数／全部验证网格变量数能否在跨机构、跨对象或跨语境条件下保持方向。比论文数量更有判别力的信号，是学习型三维状态推进是否公开版本差异、最坏对象、失败率和外部资源账本；一旦这些记录显示‘当训练气候之外的极端、观测系统改变或守恒约束缺失时，平均技巧优势可能在尾部反转’，本条就应被重估而非继续按平均值扩张。

未来五年，大气动力与天气预报可直接观察‘GraphCast把全球预报改写为图网格消息传递’的优于业务基线的目标数／全部验证目标数能否在跨机构、跨对象或跨语境条件下保持方向。比论文数量更有判别力的信号，是多尺度球面图传播是否公开版本差异、最坏对象、失败率和外部资源账本；一旦这些记录显示‘当验证基准、初始化和再分析误差共享时，优越性可能部分来自共同数据链’，本条就应被重估而非继续按平均值扩张。

未来五年，大气动力与天气预报可直接观察‘GenCast把集合预报改写为生成式概率轨迹’的在独立验证目标上优于业务集合的CRPS目标数／全部验证目标数能否在跨机构、跨对象或跨语境条件下保持方向。比论文数量更有判别力的信号，是生成联合概率天气轨迹的校准与依赖结构是否公开版本差异、最坏对象、失败率和外部资源账本；一旦这些记录显示‘当ERA5分析误差被当成真值、0.25度分辨率遗漏局地对流，或部署分布偏离训练气候时，生成轨迹的校准与极端尾部优势可能下降甚至反向’，本条就应被重估而非继续按平均值扩张。

◎ 可与哪些领域对撞

本块第6条‘大气河流把极端降水归因到狭窄水汽通道’可与灾害风险称“影响预报”，另见第205号风险与灾害管理面板（规划中）对撞。双方共享的前提是‘中纬度暴雨主要由宽尺度气旋水汽输送解释’，相反点在于大气动力与天气预报把决定位置放在D侧的积分水汽输送与持续时间，对方则把作用归给另一位置；若两边证据都成立，就必须承认初始场、动力模式、观测覆盖与概率验证会参与形成对象，而不是停留在外部背景。

本块第13条‘全天空卫星同化把云区辐射从弃用变成信息源’可与遥感科学称“观测算子”，另见第068号遥感科学面板对撞。双方共享的前提是‘受云污染的微波和红外辐射应被质量控制删除’，相反点在于大气动力与天气预报把决定位置放在E侧的全天空观测算子，对方则把作用归给另一位置；若两边证据都成立，就必须承认初始场、动力模式、观测覆盖与概率验证会参与形成对象，而不是停留在外部背景。

本块第20条‘GenCast把集合预报改写为生成式概率轨迹’可与统计学称“生成式联合分布”，另见第257号统计学面板对撞。双方共享的前提是‘只要单个机器学习预报的均方误差更低，确定性最优即可代表完整天气不确定性’，相反点在于大气动力与天气预报把决定位置放在D侧的生成联合概率天气轨迹的校准与依赖结构，对方则把作用归给另一位置；若两边证据都成立，就必须承认初始场、动力模式、观测覆盖与概率验证会参与形成对象，而不是停留在外部背景。

◎ 十条可做的研究命题

1. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，时间窗模式约束反演对被同化观测创新方差降低量／总观测创新方差仍有独立方向。做法：围绕‘四维变分把时间窗内观测共同写进初始场’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若被同化观测创新方差降低量／总观测创新方差不随时间窗模式约束反演改变，或在‘当模式误差和观测偏差未同时估计时，最优轨迹会把系统偏差吸收入初值’条件下仍无预测差异，该命题被否定。

2. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，集合离散度与概率覆盖对观测落入集合区间次数／全部预报次数仍有独立方向。做法：围绕‘集合预报把单一路径改写为概率分布’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若观测落入集合区间次数／全部预报次数不随集合离散度与概率覆盖改变，或在‘当成员欠离散或共享结构偏差时，高一致性会反而产生过度自信’条件下仍无预测差异，该命题被否定。

3. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，公里级显式对流动力对命中对流对象数／全部预报对流对象数仍有独立方向。做法：围绕‘对流可分辨模式把雷暴从参数化变成显式动力’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若命中对流对象数／全部预报对流对象数不随公里级显式对流动力改变，或在‘当微物理和边界层误差主导时，更细网格会生成更真实外观但错误位置的风暴’条件下仍无预测差异，该命题被否定。

4. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，内核结构—海洋热量阈值对正确预报快速增强事件数／全部快速增强事件数仍有独立方向。做法：围绕‘快速增强预报把热带气旋强度问题转成内核—海洋耦合’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若正确预报快速增强事件数／全部快速增强事件数不随内核结构—海洋热量阈值改变，或在‘当内核观测缺失和海洋冷尾迹未进入时，模型会漏报最危险的突变’条件下仍无预测差异，该命题被否定。

5. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，纬向梯度—行星波耦合对独立模式支持的事件数／全部归因事件数仍有独立方向。做法：围绕‘北极放大与急流争论把相关性推回动力机制’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若独立模式支持的事件数／全部归因事件数不随纬向梯度—行星波耦合改变，或在‘当热带海温和内部变率控制同一急流异常时，北极关联会随样本窗换号’条件下仍无预测差异，该命题被否定。

6. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，积分水汽输送与持续时间对产生洪水的AR时数／全部AR时数仍有独立方向。做法：围绕‘大气河流把极端降水归因到狭窄水汽通道’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若产生洪水的AR时数／全部AR时数不随积分水汽输送与持续时间改变，或在‘当地形、积雪和土壤湿度不同，同一级水汽通道会产生补水或灾害相反结果’条件下仍无预测差异，该命题被否定。

7. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，季节内对流传播相位对有技巧MJO预报天数／总提前期仍有独立方向。做法：围绕‘MJO预报把热带季节内波动连接到全球极端’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若有技巧MJO预报天数／总提前期不随季节内对流传播相位改变，或在‘当对流参数化锁相错误时，模式会以正确传播速度产生错误遥相关’条件下仍无预测差异，该命题被否定。

8. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，危险—暴露—脆弱性合成对正确命中影响事件数／全部发布警报数仍有独立方向。做法：围绕‘影响预报把天气量转换为暴露和脆弱性结果’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若正确命中影响事件数／全部发布警报数不随危险—暴露—脆弱性合成改变，或在‘当暴露数据过时或影响记录选择性强时，影响模型会把社会不平等当作天气可预报性’条件下仍无预测差异，该命题被否定。

9. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，海气初值协同估计对因耦合提高技巧的事件数／全部验证事件数仍有独立方向。做法：围绕‘海气耦合资料同化把上层海洋带进短期天气’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若因耦合提高技巧的事件数／全部验证事件数不随海气初值协同估计改变，或在‘当海洋观测稀疏和通量偏差共享时，耦合会把两个模式偏差锁在一起’条件下仍无预测差异，该命题被否定。

10. 命题：在固定初始场、动力模式、观测覆盖与概率验证后，平流层涡旋状态下传对具有可预报地面响应的增温事件数／全部重大增温事件数仍有独立方向。做法：围绕‘平流层—对流层耦合把突然增温带入月尺度预报’选取边界内、边界外与无法分类对象，预注册停止规则和失败定义。证伪：若具有可预报地面响应的增温事件数／全部重大增温事件数不随平流层涡旋状态下传改变，或在‘当热带对流和内部波动主导地面响应时，平流层信号不产生确定结果’条件下仍无预测差异，该命题被否定。

◎ 资料核验

碰撞供料层索引

大气动力与天气预报的位置分布为S 7、D 7、E 6；下表列出六组同前提族三元组，供跨条检索与对撞使用。

代表性资料