牛津大学的Hana Christensen博士说，我们的天气预报更好，因为计算机速度更快，数学更智能。 在文章中，她解释了气象学家如何开始使用数学技术的随机过程-长期以来一直在金融业中使用。
天气周期：使用随机方法，对7天的天气预报达到了与两十年前的3天相同的质量2017年，英国气象局推出了价值9700万英镑的新型
超级计算机Cray XC40 。 他严重提高了天气预报的准确性和细节。
他是怎么做到的？ 我在牛津大学
大气，海洋和行星物理系研究了天气预报，天气预报的问题不仅是使用更多的计算机（尽管这显然有帮助），而且还以更巧妙的方式使用它们。
由于历史在过去几十年中发生了很大变化，因此让我们深入研究历史并看看它是如何做的。
直到1960年代，预测都是基于观测记录和对这些记录中的模式的搜索（类似）。 这个想法很简单。 如果您对天气进行足够长的记录，则气象学家将有一个（相对）简单的任务-查看大气层与今天大致相同的那一天的记录，并以该起点为起点提供大气层的历史发展，作为下周的今天预报。
但这不能正常工作。 其原因是混乱或蝴蝶效应。 日或周尺度天气的变化对大气状况的小细节非常敏感，但这些细节可能太小，无法使用卫星和气象探测器的数据检测到。
类推的想法虽然不好，但是是唯一的选择，因为在电子计算机问世之前，使用方程式创建数学模型的另一种方法是不切实际的。
第一次世界大战期间，英国数学家
刘易斯·弗莱·理查森（Lewis Fry Richardson）率先使用数学模型进行天气预报。 但是他面临着一个严重的问题。 要计算未来六个小时的预测，必须手动求解偏微分方程-同时，花费了大约六个星期的时间来求解它们，并且结果非常不准确。
但是理查森的想法被证明是正确的，现在，它在大气层的计算机模拟中得到了成功应用。
现代天气预报始于数学-描述大气演变的方程式：
首先，我们有
Navier-Stokes方程 -实际上，这三个方程描述了坐标系三个方向中每个方向的动量守恒。 在这里，我们考虑了地球的旋转，并进入了旋转参考系统-右侧的第二项负责科里奥利力，第三项负责离心力。
该方程特别难以求解，因为在
对流导数D / Dt中，u中隐藏着非常不愉快的非线性项（为Navier-Stokes方程寻找解决方案仍然是未解决的“
千年问题 ”之一，为此，克莱数学学院获得了100万美元的奖金） ）
然后我们有连续性方程。 流入容器的所有物品都必须从容器中泄漏出来，否则容器内部的密度必须增加。
第三，我们有热力学能量方程，其中Q是糖尿病的加热速率。 最后，我们有一个大气状态方程。
而我们所有人都该怎么办？
第一步是离散运动方程。 我们无法精确计算出每阵小风将如何旋转，这并不是必须的。 因此，我们将大气分为小平行六面体-在天气模拟器中，它们可以水平10x10 km，从垂直几百米到几千米。 在每个立方体内部，我们认为大气是恒定的，一个数字表示平均温度，一个数字表示湿度，风速等。 然后很明显，我们遇到了什么问题-规模较小的过程又如何呢？
诸如云之类的过程仍在预测中起着重要作用，因此必须予以考虑。 它们不仅在更大程度上影响流程的发展，而且还描述了对于我们仍然生活在地球上的重要天气现象-降雨或强风。
我们使用近似方程或
参数化方案表示这些过程。 这些近似和简化是天气预报误差的主要来源。
理想情况下，我们应该使容器尽可能小。 并且我们必须在描述中包括我们可以想象的所有小型过程。 并使这些方案尽可能准确。 但是最后，我们必须接受计算机模拟器永远不会完美的事实。 他将永远只是模拟器。
因此，与其尝试解决不可能的事情，并以100％的准确度准确预测下周二的天气，不如简单地接受我们的限制并提供下周的概率天气预报会更有用吗？
我们没有以100％的准确度来预测降雨，而是意识到我们预测的不确定性-也许下雨的概率仅为90％。 为此，我们需要严格评估模拟器，并确定预测误差的确切来源。
这正是我在研究中所做的。 我使用一种新技术，一种
随机参数化方案。 它使用随机数（这是“随机”的意思）来表示由于无法识别的小规模过程而导致我们的预测引入的不确定性。 例如，我们没有计算牛津上最可能出现的云，而是计算了许多不同可能的云对大规模天气模式的影响，以了解这如何影响预报。 换句话说，现在我们的参数化方案是概率性的。
现在，下周将进行一系列预测，而不是做出最可能的预测。 它始于各种但同样可能的初始条件，我们根据大气测量值对其进行估算。 每个预测还对随机参数化方案使用不同的随机数，表示在小范围内发生的各种可能的影响。
使用随机过程来表示不确定性并不是什么新鲜事-例如在财务建模中就足够了-但尽管气象学家是最早描述混沌系统的人之一，但它们在天气预报中的应用才刚刚起步。
发现了一个有趣的功能-某些天气模式非常容易预测。 在测量初始条件和简化模型方面的错误不会对未来产生很大的影响，并且我们的预测仍然彼此相当接近。
一个很好的例子是阻塞性反气旋-一种高压天气系统，它在斯堪的纳维亚半岛上隐藏了几天甚至几周，从北部吸入冷空气并反射了英国南部的风暴。 极冷，但冬季晴朗？ 他的工作。
在其他情况下，不确定性会导致下周的预报差异很大，这表明大气层处于非常不可预测的状态。 而且此信息非常有用！ 一个著名的例子是
1987年臭名昭著的
大风暴 。 Michael Fish [
英国气象局的知名雇员，曾为BBC /大约 佩雷夫 不应归咎于预报没有实现的事实-就在那天晚上，气氛处于非常不可预测的状态。
现代概率预测系统在66小时内预测了1987年的大风暴。 左上方是观测结果，这是一个非常低压的系统，风很大。 右边是最大概率的预测； 迈克尔·菲什（Michael Fish）会看到什么。 剩下的五十种选择-现代天气预报概率系统的同等可能的预测-结果严重不确定。随着时间的流逝，我们的计算机变得越来越大和更好（以及更好的观察），并且我们的预测也随之提高。
下图显示了该系统的功能，该系统可以产生欧洲中距离天气预报中心（ECMWF）在雷丁做出的“最可能”预报（我与他们进行计算机模拟；他们的超级计算机是该国最大的计算机之一）。 可以看到随着时间的推移，预测的准确性如何提高。 今天所做的7天预报的准确性与20年前的5天预报的准确性完全相同。
我们还可以衡量概率预测的质量-这不是逃避责任的棘手尝试（“嗯，我们说晴朗的天气是唯一可能的”）。 概率分布的可靠性可以通过统计方法进行衡量，并且我们实际上见证了过去十年中概率预测质量的快速提高-今天的7天预测与20年前的3天一样好。
在过去的二十年中，概率天气预报的质量。 绿色-预测7天，红色-预测5天，蓝色-预测3天。但是，最终，限制计算能力的问题不会消失。 气象局拥有一台新的超级计算机是很好的选择，但它只是提出了如何使用更多资源的问题。
无法确定未来会给我们带来什么，包括下周的天气。 但是，承认这一点并尝试准确评估预测的不确定性，我们可以向公众提供真实的天气预报，而人们自己将决定如何使用其他信息。