GraphCast只负责演化集合扰动：一个月真实观测循环中，背景误差不输物理模式
核心概要
把机器学习天气预报模型GraphCast放进真实资料同化循环，只让它演化集合扰动、均值仍由物理模式MPAS给出，一个月内集合离散度与协方差结构和纯物理模式基准相当，EnVar背景对GFS分析的RMSE在模式层40以下持续更低，模式顶附近则因插值外推出现退化。
深度剖析
机器学习天气预报模型可以承担资料同化中演化集合协方差的那一部分工作，而不必同时负责均值预报。 此前的真实观测循环试验结果不一：有的EnKF用机器学习预报时发散，有的能稳定循环但未与同一同化系统的物理模式预报作对照。 在一个双向耦合的EnVar–EnKF系统中循环一个月（2018年4月15日至5月14日），同化常规观测、卫星导风、GNSS掩星弯曲角与微波辐射率，GraphCast演化集合的配置与MPAS演化集合的基准相比，集合离散度和协方差结构相当。
系统把均值与协方差分开演化，使机器学习模型的作用被限制在扰动传播上。 EnVar用EnKF背景集合估计背景误差协方差，EnKF分析集合每个循环重新中心化到EnVar分析上，因此集合预报模型只负责围绕均值演化扰动。 基准配置C1用MPAS同时演化EnVar与EnKF预报，对比配置C2只把EnKF预报换成GraphCast，两者仅在这一处不同；所有同化步骤在MPAS-JEDI的MPAS原生网格上完成，C2需在两种网格间插值并补齐GraphCast缺失的土壤变量。
在模式层40以下，GraphCast配置的EnVar背景对GFS分析的RMSE低于物理基准，且这一改善在整个月内缓慢增大。 改善在几乎所有纬度和模式层上可见，热带与南半球最明显，北半球较小。 模式层40以上，C2在循环约两天后出现明显退化并持续整月；两种配置独立调参后得到相同的集合膨胀参数，而此前一些机器学习集合需要额外膨胀才能稳定循环。
启示与展望
结论来自一个月、每六小时循环一次的双向耦合EnVar–EnKF系统，同化的是全球观测网络的一个较大子集，包括常规观测、卫星导风、GNSS掩星弯曲角与晴空微波辐射率；验证以GFS分析为真值，模式层40以上的结果受两种网格插值与模式顶差异影响。
模式层40以上的退化尚未定位到单一原因，模式顶不匹配导致的外推、MPAS的重力波阻尼层以及机器学习模式在模式顶附近的可疑敏感性都可能参与；单点观测试验中的协方差差异还混有集合样本量带来的抽样不确定性，只能作定性解读；两种系统都偏欠离散。