NOAA高分辨率数值预报模式的突破与业务转化挑战——基于AMS第105届年会的解析

在全球气象科技蓬勃发展的当下，数值预报系统的升级迭代成为提升气象预报精准度、增强气象服务效能的关键路径。美国国家海洋与大气局（NOAA）凭借在气象领域的深厚积累与前沿探索，开展了一系列极具影响力的研发工作。其统一预报系统（Unified Forecast System，UFS）框架下的全球预报系统（Global Forecast System，GFS）、快速更新预报系统（Rapid Refresh Forecast System，RRFS）及其地球物理流体动力学实验室（GFDL）的全球高分辨率天气预报系统（System for High-resolution prediction on Earth-to-Local Domains，SHiELD）升级成果备受瞩目。

UFS 的概念最早于 2014 年在美国出现。为整合和简化原本分散的多套不同框架的数值预报模式，NOAA 牵头开发了 UFS 系统。UFS 是一个基于社区开发的、耦合的一体化数值预报系统，能够支撑从局地到全球、从小时到季尺度的预报预测。UFS 采用 FV3 动力核心，充分利用模块化组件与标准化耦合平台（表 1），将其 21 个现有业务系统整合为八大核心应用（图 1），这些应用共享统一的建模框架和核心物理过程。尽管 UFS 的统一架构与开放共建的模式显示出诸多优势，但在实践中，要真正实现 “统一” 的目标仍面临组织的复杂性、标准化验证流程与稳定性要求，以及高性能计算的大规模投入与高运行成本等难题。

作为 UFS 的核心应用之一，GFS 和 RRFS 分别专注于全球中期天气预报模式和美国本土及邻近区域短时效对流可分辨尺度预报模式的研发。2019 年，GFS v15 将动力核心由全球谱模式（Global Spectral Model，GSM）替换为 FV3，成为 UFS 框架下首个实现业务化运行的全球预报应用。RRFS 的设计目标是建立美国气象史上最精细的快速更新集合预报系统，其初始版本（v1）同样采用 FV3 动力核心，然而由于 FV3 在春季预报试验中表现不佳，RRFS 第 2 版（v2）计划替换为跨尺度预报模式（Model for Prediction Across Scales，MPAS）动力核心。根据规划，GFS v17 和全球集合预报系统 GEFS v13 将于 2026 年实现协同运行，RRFS v2 预计于 2028 年实现业务化，全面取代现有的快速更新预报系统（High-Resolution Rapid Refresh，HRRR）。二者的研发进程不仅推动了美国业务预报体系的技术资源整合与集约化转型，其架构设计及研发路径的演进也为中国数值预报系统在性能提升与模块化发展方面提供了经验与启示。

SHiELD 是基于 UFS 框架和 FV3 动力核心开发的高分辨率大气模式原型，支持 “单一代码、单一可执行文件、单一工作流程”，可配置运行于全球（如 6.5 km 中期预报）、区域（如 3 km 对流尺度、1 km 城市网格）等多种尺度。SHiELD 不仅支持科研与试验环境中的高分辨率试验，也为后续研发成果向 UFS 或其他 FV3 系统的无缝转化提供了平台（图 2），然而，其运行对超级计算资源的依赖极高，目前主要处于科研与试验阶段。

美国气象学会（AMS）第 105 届年会的 “第 33 届天气分析与预报 / 第 29 届数值天气预报”（33rd Conference on Weather Analysis and Forecasting/29th Conference on Numerical Weather Prediction）分会为 NOAA 展示这些创新成果提供了重要舞台。众多气象专家围绕模式版本升级、核心技术指标、评估对比结果等深入研讨。这些成果对中国数值预报系统发展意义重大，可提供宝贵的经验与借鉴。文中梳理了 NOAA 在数值预报系统升级方面取得的最新进展，并剖析了其在技术升级和业务转化过程中存在的困境。同时，结合中国数值预报系统的发展现状，提出相应的启示和建议，为中国地球系统数值预报模式的研发和业务化提供参考。

1 下一代全球预报系统 GFS v17：全耦合、更高分辨率

Catherine Thomas 是美国环境模式中心（Environmental Modeling Center，EMC）全球资料同化小组的成员兼 GFS v17 实施的联合项目负责人之一，她的演讲概述了 GFS v17 的基本情况和更新计划，同时强调了该模式与 UFS 社区的联系，并共享了耦合模式开发以及资料同化集成试验版本的结果。

1.1 研发背景与核心目标

GFS v16 作为当前美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）业务系统的核心支撑，采用 13 km 大气水平分辨率与 127 个垂直层，基于全球资料同化系统（Global Data Assimilation System，GDAS）开展资料同化。然而，GFS v16 在对极端天气事件的预报能力上仍存在不足，特别是在对流有效位能（Convective Available Potential Energy，CAPE）和海浪预报的系统性偏差方面。近几年 NCEP EMC 启动了 GFS v17 的研发工作，核心目标是构建基于 UFS 框架的大气 - 陆面 - 海洋 - 海冰 - 海浪全耦合模式，并强化与全球集合预报系统 GEFS 的协同运行，从而提升对中尺度天气过程（尤其是热带气旋、强降水）的模拟与预报能力。

1.2 系统架构与技术升级

GFS v17 在系统架构层面进行了精心设计，通过将大气模式分辨率提升至 9 km、改进大气物理参数化方案、引入资料同化集成联合框架（Joint Effort for Data assimilation Integration，JEDI）平台支持等解决 GFS v16 的局限（表 2、表 3）。

JEDI 平台采用面向对象设计，具有模式无关性、可移植性强等显著优势，可实现在模式本身网格上直接应用多种同化算法（如 Var、EnKF、混合方法），省去额外插值步骤，有效提升预报系统的准确度和计算效率。在 GFS v17 多圈层弱耦合系统（WCAF）中，JEDI 平台被用于优化不同模块的资料同化策略（表 4）：大气资料同化方案继续采用基于格点统计插值系统（Gridpoint Statistical Interpolation，GSI）的混合 4D-EnVar 确定性分析，同时引入基于 GSI 的 4D-LETKF 集成分析，并计划集成多尺度同化算法，以提升对复杂天气事件的捕捉能力；针对海洋与海冰模块，将通过 JEDI 的 SOCA 接口，将 MOM6 与 CICE6 纳入强耦合同化，采用集合卡尔曼滤波（Ensemble Kalman Filter，EnKF）分析技术（如 3D-LETKF/3D-EnVar）方法，实现海、气圈层的协同分析；陆地以及气溶胶模块也采用 EnKF 分析技术，其中将气溶胶观测纳入耦合系统中是 GFS v16 所不具备的。

GFS v17 规划中的一项关键举措是将全球海洋资料同化系统（GODAS）纳入耦合框架。为此，基于早期低分辨率框架构建的集合分析系统，开展了三维变分同化（3DVar）循环试验。试验中大气模块采用 25 km 水平分辨率，海洋和海冰模块采用（1/4）° 三级网格分辨率。试验组设置包括纯大气模式、仅大气同化的耦合模式、大气 - 海洋同化的耦合模式。试验结果显示，引入耦合模式并增加海洋同化后，模式的预报性能在多个预报时效的统计结果方面均有显著改进。

1.3 高分辨率模拟的优化与验证

自 2019 年起，由 NOAA/NCEP/EMC 主导，并联合 UFS 社区共同推进，开展了一系列高分辨率（HighResolution，HR）数值天气预报系统试验版本的研发工作。该系列试验版本（HR1 至 HR4）依次演进，各版本研发周期存在并行交叉。研发核心旨在通过构建更高精度的数值动力框架，并持续迭代物理参数化方案（表 5），以提升对对流有效位能（CAPE）、云量和短波辐射通量等关键气象要素的模拟能力。高分辨率的模拟研究为 GFS v17 的最终业务化应用提供了科学支撑与技术验证。

HR2 与 HR1 相比，在 CAPE 值和土壤反照率模拟性能方面得到了改进。HR3B（9 km）相较于 HR3A（13 km），提升大气分辨率后，在赤道附近的南大洋以及南美洲毗邻海域至太平洋区域，对总云量（上层）和向下短波辐射（下层）的模拟正偏差大幅度减小。

在耦合模式初期试验中，热带气旋强度模拟存在负偏差，HR3A 模拟结果及更早的未展示的模拟中均存在此问题。但当水平分辨率从 13 km 提升至 9 km 后，热带气旋强度的模拟更接近实际情况，表明高分辨率模式对热带气旋强度的模拟更为准确。

1.4 下一步计划

总体而言，GFS v17 正构建大气 - 陆地 - 海洋 - 海冰海浪全耦合预报模式，且通过 JEDI 平台集成除大气模式外的其他分量模块（海洋环流、积雪、气溶胶等）。开发方面，GFS v17 正在运行、评估并迭代更新更高分辨率的自由预报试验版本（free-forecast prototypes）和低分辨率的循环试验版本（cycling prototypes），包括高分辨率预报模式（HR5）的开发更新（如改进大气物理参数化、陆面过程等），以及额外的循环试验（如气溶胶、雪和海洋模块的资料同化）。这些试验版本的开发和评估为 GFS v17 的最终业务化提供了重要的技术支持。GFS v17 和 GEFS v13 计划于 2026 年实现协同运行。

2 快速更新预报系统 RRFS v2：更高分辨率的对流可分辨尺度预报

来自 NOAA 海洋和大气研究办公室（OAR）全球系统实验室（GSL）的 Curtis Alexander 介绍了快速更新预报系统 RRFS 的最新进展。他指出，RRFS 是 NOAA 规划中的新一代重要预报系统，将代替包括当前业务化快速更新预报系统 HRRR 在内的多个对流可分辨尺度模式（Convection-Allowing Model, CAM）。在 UFSR2O 项目及 GSL 与 EMC 的通力协作下，首个版本已完成开发并转入定版状态，目前开发重点已转向第 2 版（RRFS v2），他详细阐述了 RRFS v2 的关键改进方向。

2.1 系统定位与研发背景

RRFS 是 NOAA 在 UFS 框架下研发的新一代区域天气预报模式，自 2016 年起研发，旨在通过改进资料同化系统、物理方案和工作流程，实现更精细、更准确的对流天气预报。RRFS 第 1 版（v1）采用了 FV3 动力核心，水平分辨率为 3 km，65 个垂直层，且采用混合三维集合变分同化（3D-EnVar）技术，可实现逐时更新且提供未来至少 18 h 的确定性预报（表 6）。

然而，RRFS v1 在实际应用中存在一些问题，尤其是在对流风暴强度和降水的模拟正偏差方面。在夏季对流活跃的美国东南部地区，以上问题表现得更加突出。经研究和测试发现，RRFS v1 在强降水率阈值（如 6 h 内 1 in（1 in=2.54 cm）或更强）的预报中表现出较大的降水正偏差，反射率因子场上对流风暴的降水强度和范围被高估。

2.2 技术升级

RRFS v2 的升级主要聚焦两个方面：一是向 JEDI 平台过渡，二是采用美国国家大气研究中心（NCAR）的 MPAS 动力核心。此外，RRFS v2 的系统能力提升还包括：1）增加观测资料类型；2）增强多尺度同化技术；3）改进模式物理方案，实现更具尺度自适应的参数化方案；4）调整基于 MPAS 动力核心和多种扰动源的集合预报设计。RRFS v2 技术细节见表 7。

MPAS 是一个非静力有限体积动力核心，采用基于球面质心 Voronoi 剖分（spherical centroidal Voronoi tessellation）的非结构化网格，具备成熟的有限区域模式能力。同时，它已与 JEDI 同化系统进行了初步集成。通过对对流结构的定量分析对比发现，MPAS 采用的 C 网格结构在解决对流风暴强度和降水的高正偏差问题方面具有优势，其在对流特征的大小分布上更接近观测数据，显示出更好的性能。

2.3 春季预报试验与性能评估

在 2024 年春季的预报试验 a 中，MPAS 动力核心在对流预报方面表现出色，尤其是对 40 dBz 反射率因子的预报，与高分辨率快速更新预报模式（HRRR）相当。这为 RRFS v2 采用 MPAS 提供了有力支撑。而且，MPAS 在 3 km 和 4 km 网格分辨率下的对流结构表现相似，在计算资源优化方面更为灵活，未来可根据实际需求调整网格分辨率。

此外，MPAS 还开展了集合预报，用于预报龙卷、大风和冰雹等强对流天气事件。通过集合预报，能够为这些高影响天气事件提供概率预报。

2.4 物理方案与配置优化

由 NOAA 地球物理科学实验室（GSL）主导的 RRFS v2 区域预报包括多种实时试验配置，如 3 km CONUS（美国大陆）、1 km 野火产品天气应用和 3 km 飓风应用（表 8）。该类配置为 RRFS v2 的开发提供了丰富的测试场景。GSL 开发的物理方案已部分集成到 MPAS 中，包括陆地表面模式、湍流和浅积云参数化、深对流参数化等（表 9）。为进一步提升 RRFS v2 的预报能力，未来将持续优化物理预报方案。

2.5 下一步计划

RRFS v2 的未来发展规划包含多个方面。在预报方面，致力于实现循环 MPAS-JEDI 预报（Cycled MPAS-JEDl Forecasts），部分测试已于 2025 年初启动。在物理方案整合方面，积极推动将 GSL 开发的物理方案融入 MPAS，NCAR 的中尺度和微尺度气象实验室（Mesoscale and Microscale Meteorology Laboratory，MMM）与 GSL 已开展合作并起草相关方案。同时，持续推进工作流程（MPAS App）和测试框架（从手动到自动）的开发。

在资料同化方面，RRFS v2 将采用 JEDI 平台进行多种观测资料的同化，并加入新的观测数据（如 PM2.5 和气溶胶光学厚度）同化分析，以改善烟雾和尘埃预报；其资料同化策略包括多尺度分析、双向耦合确定性 / 集合卡尔曼滤波（EnKF）循环，以及耦合地表 / 大气相互作用等，这些技术将提升资料同化的精度和效率；集合变分资料同化（EnVar DA）算法中采用的尺度与变量依赖的局部化方法（SDL/VDL，Scale and Variable Dependent Localization），允许在 EnVar DA 算法中进行尺度选择性滤波，从而同时同化所有观测数据；RRFS v2 还将继续优化耦合地表资料同化，通过持续循环土壤状态和改进地表变量初始化，提升地表预报的准确度；直接在混合 3D-EnVar 和 EnKF 中同化雷达反射率因子和闪电数据，以改进对流结构的预报；开发变分云分析技术，通过同化 METAR 和卫星云信息，提升云场的预报精度；优化卫星辐射资料同化，通过偏差校正和通道选择，提升区域模式对卫星数据的利用效率。此外，RRFS v2 将在 JEDI 框架下进行单点观测测试，优化 3DVar 和混合 EnVar 分析系统，为实时业务运行做好准备。

在资料同化工作的具体实施上，RRFS v2 将建立 IODA 转换器，测试多种观测数据的同化配置，开发静态背景误差协方差能力等。

RRFS v2 的 JEDI 配置已在 2025 年春季的试验中进行测试。RDAS App 和 rrf-work flow 的相关代码已存储在 GSL 的 GitHub 库中。此外，为便于编译器测试并增强互操作性，RRFS v2 的 MPAS 图形和验证工具已上线，代码存储于 GSL GitHub 库（https://github.com/NOAA-GSL/MPAS-Model）。

未来，RRFS v2 将继续采用 3 km 网格间距，实现逐时循环更新，并计划在 2027 年停止对核心技术的修改，于 2028 年开展业务实施。届时，RRFS v2 将全面替代现有的快速更新预报系统 HRRR。RRFS v2 的科学评估在 2025—2026 年进行，重点评估其在对流预报、资料同化和多尺度耦合方面的性能。其评估结果将为 2028 年的业务化实施提供科学依据（表 10）。

3 GFDL 全球高分辨率天气预报系统：迈向 6.5 km 风暴解析模拟

Zhou 等分享了 GFDL 在高分辨率天气预报系统研发方面的最新进展。他指出，当前提升天气预报精度的主流策略是提高模式的空间分辨率，但这需要强大的计算资源和适配小尺度特征的物理过程参数化方案。为此，GFDL 开发了 13 km 分辨率的全球高分辨率预测系统（SHiELD）及 3.25 km 试验性 X-SHiELD 系统，然而前者在捕捉灾害天气系统时存在局限，后者则因计算成本过高难以投入业务化运行。针对这一挑战，研究团队创新性地提出了 6.5 km 分辨率的 SHiELD 中间版本，该系统通过 “灰色区域”（网格间距≤10 km）的物理参数优化调整，成功弥合了中期天气预报与风暴解析模拟之间的技术鸿沟。与 13 km 版本相比，6.5 km SHiELD 在全球尺度、区域尺度、热带气旋及大陆对流等关键气象要素的预报精度上均取得显著提升，其独特优势在于能够在单一全球模式框架内同时表征天气系统和特定风暴现象，为下一代天气预报系统提供了创新性解决方案。

3.1 研发背景与核心目标

GFDL 作为全球气候变化建模研究的先驱，采用基于 FV3 动力核心的高分辨率地球系统模式，研究从天气到气候、本地到全球的多尺度气候系统应用。其全球高分辨率天气预报系统 SHiELD（基于 FV3），兼顾实时预报实用性，努力弥合中期天气预报与风暴解析模拟的差距，展现跨时空尺度的统一预报能力。SHiELD 支持多种应用场景，包括灾害天气、飓风、中期和次季节预报。

3.2 系统架构与技术升级

SHiELD 系统利用模块化设计，实现多水平分辨率和多应用场景的高效适配（表 11）。其核心是开发一套尺度感知的物理参数化系统，在网格间距低于 10 km 的对流 “灰色区域” 中自动调整方案，以保障模式稳定运行。6.5 km 分辨率下，SHiELD 使用 C1536 全球网格，采用更新后的对流方案（SAS）和 TKE-EDMF 边界层方案，同时增加山地阻挡和边界层扩散等参数，这些方案在实际应用中展现了良好的收敛性和适用性。在计算效率方面，6.5 kmSHiELD 通过缩短时间步长并优化 FV3 动力核心，使得分辨率翻倍（从 13 km 到 6.5 km）后，实际计算成本增加至约 6 倍 —— 比理论上的 8 倍低，显示出较高的效率优势。

3.3 高分辨率模拟的优化与验证

在 2021—2023 年后报期内（共 222 个案例，每 5 d 初始化一次，预报时长为 10 d），6.5 km SHiELD 模式相较于 13 km SHiELD 模式在多尺度天气系统的模拟能力上展现出显著改进，尤其是在全球尺度、区域尺度、热带气旋与大陆对流系统等方面均优于前者。全球尺度上，6.5 km SHiELD 模式在温度、风场、降水、云结构等多个变量的均方根误差和偏差上实现了整体降低，尤其是在热带和中纬度地区的降水结构与强对流系统方面表现尤为突出。同时，该模式对于锋面系统、温带气旋和海洋层积云等中尺度特征具备更精细的空间解析能力，在热带气旋强度与风场结构模拟上也更贴近观测值。此外，大陆地区的强降水事件捕捉能力提升，在模式 TS 评分方面有实质性改进。然而，尽管性能提升明显，模式在对流层中上部的水汽、积雪及高纬度云结构模拟中仍存在偏差，部分变量（如云量和位势高度）相较于低分辨率配置表现反而有所下降，热带区域存在一定的降水正偏差问题，说明尺度感知物理方案在高分辨率下的适应性仍有进一步优化空间。

3.4 下一步计划

GFDL 的 SHiELD 系统将继续优化其高分辨率模拟能力，进一步改进物理参数化方案，以解决现有的偏差问题。同时，该系统将拓展其应用场景，为更多的天气和气候预测领域提供支持。通过与其他国际计划（如 DYAMOND 计划）的紧密协作，GFDL 将继续推动全球风暴解析模拟的发展，为提高天气预报的准确度和可靠性做出贡献。

4 结论与启示

4.1 技术进展与性能提升

文中结合 AMS 第 105 届年会 “第 33 届天气分析与预报 / 第 29 届数值天气预报” 分会场内容，梳理了 GFS、RRFS 和 SHiELD 的技术升级路径和性能提升的关键指标。

鉴于 GFS v16 在强对流天气预报中存在 CAPE 低估及海浪预报存在系统偏差等问题，EMC 启动了 GFS v17 业务化升级研发工作（表 12）。全球模式 GFS v17 大气水平分辨率将从 13 km 提升至 9 km，并构建大气陆面 - 海洋 - 海冰 - 海浪全耦合模式，通过 JEDI 平台优化资料同化策略。这些改进显著提升了全球中期天气预报的精度，尤其是在极端天气事件的预报能力上。对 GFS v17 高分辨率试验版本（如 HR1、HR2、HR3A、HR3B、HR4 等）评估发现，GFS v17 的热带气旋强度和降水预报性能有显著提升，验证了高分辨率模式对提升极端天气事件预报能力的有效性。GFS v17 与全球集合预报系统 GEFS v13 在模式物理方案、计算基础设施、初始化等方面将保持一致，计划于 2026 年与 GEFS v13 协同运行，持续优化模式性能。

RRFS 是 NOAA 在 UFS 框架下研发的新一代区域天气预报模式，将代替当前业务化快速更新预报系统 HRRR。RRFS 旨在通过改进资料同化系统、物理方案和工作流程，实现更精细、更准确的对流天气预报。RRFS 第 1 版（v1）采用 FV3 动力核心，水平分辨率为 3 km，65 个垂直层，采用混合三维集合变分同化技术（3D-EnVar）。因评估发现 RRFS v1 持续存在降水 / 反射率因子强度偏差等问题，EMC 开始探索采用新的动力核心 MPAS 来开发 RRFS v2（表 13）。其主要改进还包括增加观测资料类型、优化多尺度同化技术、改进模式物理方案，并调整集合预报设计。与 RRFS v1 相比，RRFS v2 在对流风暴强度预报性能和降水预报高偏差方面的改进明显。通过 2024 年春季预报试验的验证，RRFS v2 在对流预报方面的表现与当前业务化模式 HRRR 相当，展示了其在业务化应用中的潜力。RRFS v1 已定版，2026 年初可能实现业务运行，但现有业务化模式 HRRR 将继续运行。RRFS v2 计划在 2025—2026 年进行科学评估，2027 年定版，2028 年业务实施，届时将替代现有业务化模式 HRRR。

SHiELD 系统则通过 6.5 km 高分辨率模拟，有效弥合了全球中期天气预报与全球风暴解析模拟的差距。该系统不仅在热带气旋强度、强降水等高影响天气的预报能力上取得了显著改进，还在全球温度、风、云和降水的预测精度上表现出色。通过多种配置的应用场景（如中期天气预报、热带气旋和飓风预报、次季节至季节预报等），SHiELD 系统展示了其在跨多种时间和空间尺度的统一预报系统中的强大功能（表 14）。此外，SHiELD 系统在物理参数化方案和资料同化技术上的持续优化，为其在未来天气和气候预测领域的应用提供了更广阔的发展空间。

4.2 对中国数值预报发展的启示

NOAA 数值预报系统升级凸显了高分辨率、多圈层耦合、优化集成等前沿趋势，以及科研业务协同的重要性。UFS 框架和 JEDI 平台的统一实践、美国国家强风暴实验室（NSSL）春季预报试验的 “共研共评” 机制，为产、学、研协同提供了创新范式。而 RRFS 模式研发的曲折历程，则凸显了科研成果向业务转化过程中对工程实践的依赖，以及科研与业务团队紧密配合的重要性，因为 FV3 在区域预报中表现不佳，很可能是未深入调试优化导致的。鉴于 NOAA 经验启示，中国推进数值预报系统建设时，应重点把握三大关键：1）构建科研业务深度融合机制，建立从技术研发到业务转化的标准化流程，通过常态化协同平台避免各自为战；2）注重提升工程化实施能力，通过多轮迭代验证和持续性评估优化，确保新技术平稳落地；3）强化数据资源配置，针对高分辨率模拟特性建立分级计算体系，保障系统可扩展性与稳定性。同时，随着深度学习与物理模式融合的不断深入，基于人工智能（AI）技术的预报系统将在参数化过程优化、资料同化提效以及预报产品的个性化服务方面发挥越来越重要的作用。

(作者单位：王淼淼、唐伟、刘冠州，中国气象局气象发展与规划院；朱跃建，中国气象局地球系统数值预报中心； 贾朋群，中国气象局气象发展与规划院、中国气象局气象干部培训学院)

原文链接：

http://qxkjjz.cn/cn/article/pdf/preview/10.3969/j.issn.2095-1973.2026.01.001.pdf

—END—

内容来自于《气象科技进展》2026年第1期

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。