观潮 · 模式预报与气象 AI 观察
50 个成员撑不起不确定性子空间：IFS 与 AIFS-ENS 在相空间里并不重合
> 集合预报的常规检验是单点单变量打分——秩直方图、CRPS、离散度与均方根误差之比，逐个格点算完再平均，这一步隐含了「不同格点的成员互不相关」的假设，把空间形态丢掉了。这篇把集合当成相空间里的一个线性子空间来量：成员张成什么方向、误差有多少落在这个子空间里、两个系统的子空间夹成什么角。结论有三层——误差并不完全落在集合子空间内，但各方向上的校准是合理的；特征值随成员数一直不收敛，说明 50 个成员远不足以估计协方差矩阵；IFS 与 AIFS-ENS 的子空间不重合，但彼此比与替代集合更接近。作者也明说：因为 AIFS-ENS 是用 IFS 的初始条件起报的，单凭这项工作无法单独评估 AIFS-CRPS 本身的技巧。
缺的是哪一块
集合预报的生成方法本来就是从动力系统角度设计的。奇异向量的构造目标就是让初始扰动在一段时间之后把预报误差放大到最大，这些扰动是相空间里有特定结构的向量；按误差增长的一般论证，误差会逐步沿着传播后的这些向量对齐。用单变量指标逐点平均来检验这类对象，方法论上是不配套的。
随着 AI 预报系统进入业务，这个缺口变得实际：训练 AI 模型时优化的往往就是一维指标的全球统计，评估时也常沿用同一批指标。
已有的多维检验工具包括 Gneiting 等人 2008 年提出的「预秩函数」、能量评分（把 CRPS 推广到多维）、变异函数评分等。本文的做法是把集合解释为它在相空间里张成的线性子空间，再用几何量去刻画，核心分解工具是经验正交函数（EOF）。作者特别说明：这些工具在集合检验里不算新，但用在 AI 模式的预报上是新的。
方法与数据怎么搭
项 · 设置
检验对象 · 500 hPa 位势高度的全球集合预报
物理模式 · IFS（CY49R1 循环）
AI 模式 · AIFS-ENS（v1 版本，基于 AIFS-CRPS）
样本 · 2025 年 7 月至 11 月间随机选取 100 次预报
网格与内积 · 下载到 0.25 度规则网格，但相空间内积在谱空间（球谐）中计算，避开极区过采样点的贡献
对照 · 构造「替代集合」，其扰动功率谱与 AIFS-ENS / IFS 一致，用来分辨技巧到底来自真实能力还是仅来自扰动的功率谱
关键的一步是协方差矩阵的特征分解：成员向量张成的子空间就是「集合子空间」，它同时也是协方差矩阵特征向量张成的子空间。原文还交代了一个实操捷径——高维相空间下协方差矩阵巨大，但利用矩阵奇异值分解与协方差特征分解的联系可以绕开直接构造。
结果数字
检验项 · 结果
特征值随成员数的收敛性 · 用 5、10、20 个成员重抽子集合检验，所有预报时效上特征值都**不收敛**，在对数坐标上持续下降
结论 · 现有集合的成员数不足以可靠估计底层分布的协方差矩阵
替代集合对照 · 替代集合的谱更平（相空间上更各向同性），原集合谱更陡（结构上更有组织）
误差与集合子空间 · 误差并不完全落在集合子空间内，但有显著投影
各方向校准 · 把误差总模长与集合总方差重新标定到一致后，各方向上的误差方差估计是准确的
主夹角 · AIFS-ENS 与 IFS 的 ensemble 子空间**不重合**，但彼此比与替代集合的子空间更接近
起报初期 · 两个系统在预报最初期「几乎没有技巧」，作者指出若改用同化方案所用的范数，初始技巧可能会更高
最实用的一条推论：既然两个子空间不重合、又都携带信息，把两者合成一个 100 成员的集合在业务上「可能带有有用信息」。
原文图
图1 误差功率谱（左列）与成员平均谱（右列）：上排 AIFS-ENS、下排 IFS，颜色从深到浅对应 0 到约 360 小时预报时效；误差谱峰在约 1000 公里尺度，成员平均谱在中小尺度明显低于误差谱。
图2 主角度诊断：左上 IFS 与 AIFS-ENS 子空间的主角度随预报时效普遍升到 60—90 度，说明两套集合张成的不确定性子空间并不重合；右上与右下分别是 IFS、AIFS-ENS 与代理集合之间的主角度，角度整体更小。
作者承认的限制
限制 · 原文口径
协方差矩阵秩亏 · 50 个成员不足以准确估计协方差矩阵，即矩阵秩亏，意味着底层分布的不确定性模态数很可能超过 50，需要 50 个以上成员才能充分采样
无法单独评价 AIFS-CRPS · AIFS-ENS 是用 IFS 的初始条件起报的（部分由 IFS 计算的奇异向量扰动），因此很难从本工作中精确评估 AIFS-CRPS 自身的技巧
框架是完全线性的 · 因为要用成员的线性组合定义子空间和特征值，整个框架是线性的；而在预报后期非线性已不可忽略（原文举 CNOP 为例，说明线性组合的解释本身不清楚）
概率校准不达标 · 作者不要求留出模型在概率意义上是良好校准的，只要求能区分高风险与低风险状态
未解释的现象 · AIFS-ENS 在短预报时效上某指标为何下降，作者把它列为后续工作
一句话判断
这套相空间诊断给出两个可直接用的判断：50 个成员对「刻画不确定性方向」这件事来说是不够的；IFS 与 AIFS-ENS 犯的错不在同一组方向上，所以合起来跑比二选一更有信息量——但两者共用 IFS 初始条件，这个结论还没法拆成「纯 AI 系统的能力」。