观潮 · 模式预报与气象 AI 观察
混合协方差矩阵的权重不用手调了：超变分方法用新息序列一步收敛到理论最优值
> 混合（Hybrid）协方差模型把气候态协方差矩阵和局地化后的集合协方差矩阵按标量权重相加，业务上很成功，但那几个权重（以及可能的局地化长度尺度）得调。业务中心的通行做法是手工试：换一组权重、测预报表现、再挑。这篇提出的「超变分方法」把这件事变成代价函数最小化——代价函数以新息序列为核心输入，参数取最优值时函数取极小，最小化用牛顿法，文中推导了相应方程。在随机矩阵生成器构造的合成试验里（该场景下权重的理论最优值已知），超变分方法和另一种线性拟合方法给出的最优权重都与理论值吻合到容差 0.1 以内，且牛顿最小化在第一次递归步就收敛。作者强调这个方法不依赖遍历性假设，也不依赖「集合协方差在无限集合极限下等于真实预报误差协方差」这一假设——后一条正是 Ménétrier 与 Auligné 2015 框架的软肋。
缺的是哪一块
同化循环里，把不完美的预报估计和新观测最优地结合起来，前提是量化两者的不确定性。集合数据同化用一组等概率预报来估计预报误差协方差，能刻画「当天的预报误差」；但受算力限制，集合成员数有限，这个估计本身有采样误差。
混合协方差矩阵的做法是把气候态误差协方差矩阵和局地化的集合协方差矩阵按标量正权重相加。只用两者之一都不如混合；而要拿到最优表现，就必须调这组权重。业务上有一条经验准则：集合越大，给集合协方差的权重就该越高、给气候态的越低。这条准则有用，但给不出具体数值。
系统性的做法此前已有：Ménétrier 与 Auligné 2015 把集合成员当随机向量，推导出最优权重与协方差矩阵元素的期望值之间的关系式，也能给出局地化矩阵元素（或局地化长度尺度）的最优值。但它有两个明确局限：
局限 · 说明
概率分布未知要靠遍历假设 · 协方差元素的概率分布实际未知，该框架用空间平均等遍历假设来近似期望值；代价是**依赖地理位置的信息可能丢失**
依赖一个不成立的等式 · 该框架假设「无限集合极限下的集合协方差矩阵等于真实预报误差协方差矩阵」。但大气模式里未分辨尺度靠参数化，这一近似几乎必然使集合同化误表征预报误差的概率分布，所以实践中这个等式并不严格成立
方法怎么搭
环节 · 做法
输入 · 一段时间的新息向量序列（新息即观测与预报之差）
核心 · 构造一个依赖待调参数的代价函数；参数取最优值时代价函数取极小
优化 · 牛顿法，文中给出了最小化所需的方程
适用范围 · 不限于经典加权和形式的混合矩阵，也不限于权重本身——任何以解析形式出现在混合协方差矩阵表达式里的参数（例如局地化长度尺度）都能调
命名上，「超变分」（hypervariational）指的是在同化之上再套一层变分：用新息序列构造代价函数，把混合矩阵的参数当作控制变量反演出来。
结果数字
验证是在合成试验里做的：用随机矩阵生成器构造出一个理论最优权重已知的场景。在这个场景里，还有一种基于线性拟合的独立方法也能定出最优值。
检验项 · 结果
超变分方法给出的权重 · 与理论最优值吻合，容差 0.1 以内
线性拟合方法给出的权重 · 同样与理论最优值吻合，容差 0.1 以内
牛顿最小化的收敛速度 · 在第一次递归步即收敛
应用对象是「原始形式」的混合矩阵（不含局地化）中集合协方差矩阵的权重。
原文图
图1 与超变分方法对照的线性拟合法：用新息序列做线性回归确定集合协方差权重，拟合直线给出的最优值与超变分方法及理论解析值在约 0.1 的容差内一致；该拟合法依赖观测算子为单位阵，离开实验设定不一定可用。
作者承认的限制
限制 · 原文口径
只在合成试验里验证 · 本次验证是在随机矩阵生成器构造的合成实验设定下完成的，之所以选它，是因为该场景下权重的理论最优值已知
应用对象有限 · 本文实际调优的是不含局地化的原始形式混合矩阵中的集合协方差权重，局地化长度的调优只在方法层面说明可行性
前人的两个假设被绕开但未在真实系统中检验 · 方法不依赖遍历假设、也不依赖「无限集合极限下的集合协方差等于真实预报误差协方差」，但这一优势目前是在合成设定下论证的
一句话判断
把「调混合权重」从手工试错变成一个有解析最优解可对照的代价函数最小化问题，并且在合成试验里一步收敛到理论值——这是把业务里最依赖经验的那一步标准化的尝试；下一步要问的是它在真实同化系统上还能不能对上理论值。