贝叶斯模型平均(Bayesian model averaging,BMA)是最近提出的一种用于多模式集合预报的统计方法.进行贝叶斯模型平均需要准确估算模型集合中每个竞争模型的权重与方差,经常采用的方法是期望最大化(Expectation-Maximization,EM)方法与马尔可夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,两种方法各有优劣.本文首先对BMA的(对数)似然函数进行改进使之无需BMA权重之和为1的显式约束,并利用一种有限记忆的拟牛顿优化算法(LBFGS-B)对其进行极大化,由此提出了一种求解贝叶斯模型平均的新方法(BMA-BFGS).采用三个陆面模式进行的土壤湿度多模式数值模拟试验表明:在计算精度方面,BMA-BFGS的精度与MCMC方法几乎一致,优于EM算法;在计算耗时性方面,BMA-BFGS的计算耗时与EM算法相当,远小于MCMC方法.
