初值集合扰动方法对降低初值不确定性，意义重大。然而当前气候预测中常 用的滞后平均法（LAF）缺乏较强的理论基础。本文提出了一种面向气候预测的 增长模繁殖法（BGM），此方法是在天气预测 BGM 的基础上结合了气候预测特征 对初始繁殖扰动生成，繁殖循环长度选取等关键技术进行了重构，重构后的方法 更能适应气候预测中增长最快扰动的获取。为了进一步验证方法的有效性，BGM 方法与国家气候中心当前使用的 LAF 方法在 BCC-CSM 气候系统模式上进行了 15 年的对比回报试验，试验结果表明新提出的 BGM 方法在第一个月的预测结果中 相比 LAF 方法改进明显，500hpa（百帕）位势高度的均方根误差相对于 LAF 方法 预测结果减小了 10%。部分变量的改进效果可延伸至四个月。

　　融合上述技术，本文设计了一种面向气候预测的集合方法 (BGMOPT) 并实现 了相应的气候预测系统原型，针对国家气候中心的 BCC-CSM 模式，以热带大气 季节内振荡 (MJO) 和东亚夏季风 (EASM) 为目标，以辐射平衡为约束对不确定性 参数进行优化，将优化后的参数用于 BGM 初值扰动集合，结果表明 BGMOPT 方 法在 2008 年 12 月到 2009 年 3 月的气候预测案例中表现良好。四个月全球降水与 观测的均方误差相比原 LAF 方法改进 15%。进一步，本文提出了一种南宫智能科技基于机器学 习的集合预测集成方法以针对重要的预报指标生成最优的确定性预报结果，此方 法结合了观测和模式输出数据的特征，对 BCC-CSM 模式输出的集合预测结果进 行修正与集成，此方法在厄尔尼诺/南方涛动（ENSO）的预测中，海表温度与观测 的均方根误差可相对于传统的集合平均法改进 32%.

　　物理方案参数不确定性量化是南宫智能科技减小参数不确定性，提升气候系统模式模拟水 平的重要方法，但是当前常用的进化算法等在复杂的气候系统模式上的应用需要 极高的时间和计算成本，急需快速高效的参数优化方法。针对此现状，本文提出 了一组基于多层感知机神经网络的代理模式参数优化方法，有力支持单目标优化、 多目标优化和有约束优化多种模式参数估计场景。本文提出的优化算法与当前常 用的优化算法在复杂数学函数和单柱大气模式上的评测结果表明，新提出的算法 在精度和收敛性上具有总体优势。在复杂单柱大气模式上，本文的多目标优化方 法收敛速度可相对 NSGAIII 方法提升 5 倍以上。