Kalynda 预报模式
Kalynda 不是又一个数值天气模式。它取用已有的六个模式，并保留每一个最擅长的部分——ECMWF 的中期精度、ICON 在欧洲的精细尺度、GFS 的快速更新、GEM 在高纬度的表现、Météo-France 的中尺度嵌套、英国气象局在边界层与沿海的能力——再用离您最近的实时 METAR 进行校准。由此得到的单一预报，目标是胜过其中任何一个单独使用。
为什么要融合
每个全球模式用不同的网格、不同的初始分析和不同的参数化求解同样的物理。天气平稳时它们相差不到一节；天气多变时风向可差 90°、风速可差 10 节。选定一个模式，就等于连它失手的日子一并接受。取全部的平均更好，但简单平均会让一次落点偏差的计算把结果一起拖走。
第一步 — 稳健加权
对每一小时取六个风矢量并求中位数，再按各模式与该中位数的距离用 Tukey biweight 赋权：靠近中心的保持满权重，偏离越远权重下降越快，极端离群值降到象征性的 5% 而不是被剔除。什么都不丢弃 — 孤立的模式也可能是对的 — 但没有哪一次计算能挟持整个融合结果。
第二步 — 实时校准
仅有稳健性，等于把所有模式视为同等可信，而事实并非如此。在特定的一天、特定的地形上，某些模式就是更准。因此我们把每个模式当前小时的预报与最近的 METAR 观测比对并对误差打分：贴合观测的模式权重上升，偏离的下降，最低到 35%。这就是经典模式输出统计（MOS）的思路，只是用一次实时观测代替长期存档 — 因此可以立即投入使用。
边界在哪里
只有当观测站在约 55 公里以内且风速超过 4 节时才启用校准。更远则局地地形主导，观测不再能作为评判模式的证据；更弱则风向本身就不稳定，据此打分只会引入噪声而非技巧。这两种情形下，融合都退回到仅用稳健加权。
其他要素
气温、露点、云量、降水、能见度和气压以同样方式融合，但按标量处理：中位数、biweight 权重、加权平均。风按矢量处理，因为风向是循环量 — 把 350° 与 10° 做算术平均会得到 180°，恰好是相反方向。
可信度数字的含义
每份预报旁的百分比结合了两点：各模式对风向的一致程度，以及风速的离散程度。高可信度意味着各模式讲的是同一个故事，可据此制定计划。低可信度并不表示预报是错的 — 它表示大气正处在分歧点，应在临近起飞时重新核对。
我们从每个模式取用什么
每个中心都有可量化的强项，权重正是冲着这些设定的。ECMWF 在中期预报领先、风的净偏差接近于零，因此从第 3 天起以及在气压与露点上占最大权重。德国 ICON 对地面观测的短期误差最低，并在欧洲雷达区每个循环同化雷达——在那里它承担前两天，尤其是降水与阵风。法国 AROME（1.3 公里）与英国 UKV（1.5 公里）拥有专门的雾与低云场，因此在法国与不列颠群岛承担能见度与云量。NOAA 的 HRRR 在美国上空每 15 分钟摄入雷达，最初数小时在那里领先。加拿大 GEM 于 2026 年 5 月成为全球首个物理与机器学习混合的业务化系统，增益在第 5 天前后达到峰值并持续到第 10 天——其权重正是在这一窗口上升。权重也随变量而变。
我们刻意压低的地方
公开的检验同样告诉我们何处不该相信某个模式。ECMWF 自己的用户指南写明，对其能见度场的期望应当保持低位，并且它对对流阵风有时低估达一倍——这两项权重都很低。GFS 在美国上空的地面露点存在有记录的偏干，且高估小雨、低估强降水。ARPEGE 的网格从法国上空的 5 公里拉伸到对跖点约 24 公里，因此远离欧洲后权重明显下降。UKV 数据到达较晚，最初数小时会有时效折扣。GEM 的地面气压为正偏差，并低估云量。没有任何模式被弃用——我们只是向每个模式提出它擅长回答的问题。
诚实的局限
Kalynda 会继承其输入的一切错误。若六个模式都没有捕捉到海陆风或山地波，融合结果同样捕捉不到。它没有雷达同化、没有临近预报、没有局地地形模式。它是比任何单一模式更好的起点，但不能替代抬头看天、阅读 TAF 并自行作出判断。
模式来源
ECMWF IFS · ECMWF AIFS · NOAA GFS · DWD ICON · CMC GEM · Météo-France ARPEGE · UK Met Office，均经由 Open-Meteo。观测来自 NOAA Aviation Weather Center。 权重基于公开检验：ECMWF TM931/TM928 与用户指南、德国气象局雷达同化文档、英国气象局 RAL1/RAL3（GMD）、法国 CNRM 的 ARPEGE/AROME 论文、加拿大 ECCC 的 GDPS/RDPS/HRDPS 技术说明，以及美国 NOAA NCEP 的 GFS/HRRR 文档。