MIT 等团队用机器学习后处理改进 2 至 6 周次季节天气预报

2021年，在2月遭遇三场严重冬季风暴后，德克萨斯州经历了该州历史上最严重的能源基础设施故障。由于供水中断，至少246人因此丧生，导致了食物、水、取暖和电力短缺。

如果能源官员有更多时间准备应对风暴，比如向受影响地区运送更多天然气卡车，那么此次事件造成的损害本可以减轻。遗憾的是，超过两周的天气预报众所周知地不可靠，这使得全球能源运营商、农民和应急响应官员的准备时间窗口更加紧迫。

由麻省理工学院等机构研究人员组成的一个团队开发的一项新技术显著提高了超过两周的天气预报能力。研究人员开发了一种机器学习模型，该模型学会纠正现有预报模型中的错误，从而改善两到六周时间范围内的预测输出。当应用于一个黄金标准预报模型时，它在这个时间段内的预报准确性提高了一倍，在一个著名的国际预报竞赛中排名第一。

在《自然》杂志的新论文中，研究人员描述了他们的方法，并展示了它如何使预报首次在两到六周内超越了气候学平均值。

“这不仅在这个范围内的时间平均预报上表现得更好，这对试图匹配供需的农民和能源行业成员已经非常有用，而且还改善了极端天气事件的预测，无论是洪水、寒潮还是其他什么，”合著者、麻省理工学院研究科学家Judah Cohen说。“预测两者都非常重要，但极端事件可能是这对社会影响最大的部分。” 

与Cohen共同撰写该论文的还有主要作者、哈佛学院本科生Hannah Guan；多伦多大学博士后Soukayna Mouatadid；Genevieve Flaspohler SM ’18, PhD ’22；巴西国家纯数学与应用数学研究所副教授Paulo Orenstein；数据公司DTN的Jeremy Berman；欧洲中期天气预报中心的研究人员Jakob Schloer和Joshua Talib；以及微软的研究人员Alex Lu、Haiyu Dong、Jonathan Weyn、Zekun Ni和Lester Mackey。

更长期的预报

20世纪70年代，长期担任麻省理工学院教授的Edward Lorenz提出了混沌理论的概念，用来描述初始天气条件的微小变化如何导致完全不同的结果。

“他提出了这个理论上的两周限制，超过这个限度，我们就无法预测天气，因为系统中的噪音增长得如此之大，以至于压倒了任何初始信号，”Cohen说。“这对该领域产生了强烈影响，可能阻止了人们探索两周以外的预报。我从未真正完全相信这一点。理论上，大气可以创造出无限多的模式，但它喜欢一遍又一遍地陷入这些偏好的模式。一旦一件事发生，我认为你可以预测接下来会倒下的多米诺骨牌，以及再接下来会倒下的多米诺骨牌。”

如今，最好的天气预报要么来自动力模型——通过数值模拟大气和海洋随时间的演变，要么来自人工智能模型——从历史天气数据中学习并进行预测。AI模型在短期天气预报方面已展现出改进，但在更长时间尺度上，它们甚至比动力模型更差。

科恩就职于麻省理工学院土木与环境工程系，专注于提前两到六周的天气预报，即所谓的次季节预报。“这个时间范围被称为‘可预报性荒漠’，因为在短期，你可以利用气候系统和大气的初始条件，而在更长期，你有那些缓慢变化的边界强迫，比如今年冬天大家都在关注的超级厄尔尼诺现象，”科恩说。“次季节范围无法利用这两者中的任何一个。在大多数情况下，次季节范围的预报和去赌场掷骰子没什么区别。”

科恩将使用机器学习减少预报模型误差的最初想法归功于他的合著者莱斯特·麦基，两人已合作十多年。

“我们构建了这个包装器——莱斯特称之为后处理，”科恩说。“我们知道AI模型有很多误差，所以我们想，也许我们可以量化这些误差并将其消除。”

其他预报系统进行的是更简单的误差校正，而该研究团队的后处理层利用AI，基于历史数据从预报系统的错误中学习，并调整其预报。在那个时间范围内，预报员使用的是所谓的概率预报，即给出一系列可能性的概率。

“随着更多预报和数据变得可用，我们的模型会自适应地改进其校正，”科恩说。

为了构建该模型，研究人员使用了MIT Engaging——由麻省理工学院研究计算与数据办公室托管的超级计算集群，但生成的模型运行时并不需要超级计算机。

为了检验他们的模型，去年该研究团队向欧洲中期天气预报中心（ECMWF）提交了三个包含其后处理层的模型。ECMWF被认为是世界上最好的预报中心。每个季节，ECMWF都会举办模型之间的预报竞赛。

获得第一名的提交方案将ECMWF的预报模型与另一个模型相结合，然后在其上应用后处理校正。该方法最终使原始模型在次季节范围内的预测能力翻了一番。该模型首次展现出比依赖气候平均值更好的改进。

“到目前为止，还没有人能够证明，在这些次季节预报中，有哪个模型比长期平均值预测得更好，”科恩说。“它们几乎全都比长期平均值差——你 literally 抛硬币都能做得更好。人们甚至质疑，在这个时间范围内投资模型是否值得。而我们的模型持续超越了气候平均值。”

该模型在预测极端天气的能力上也显示出统计上显著的改进。

“这是一项比较重要的发现，因为它很难实现，”Cohen 说。“当 ECMWF 开发了他们自己的、非 AI 的误差校正方法来修正模型时，它在预测极端天气方面反而变得更差。我认为这是因为传统的误差或偏差校正总是试图回归均值，而极端天气处于概率的边缘地带。”

为灾害做准备

在《自然》论文中，团队展示了他们的技术可用于改善全球大多数地区的陆地预报。他们还将自己的偏差校正技术应用于其他模型，并表明这同样改善了那些模型，甚至让较弱的模型也能与 ECMWF 的预报不相上下。

“我们模型的好处在于它是一个附加的包装器，”Cohen 解释道。“我们将它用于 ECMWF 的动力学模型，因为这被认为是最好的，但它可以用于任何模型。它甚至能改善那些已经使用另一种 AI 算法进行过偏差校正的模型。所以它显示出稳健的改进。而且它是开源且低成本的。”

Cohen 说，肯尼亚共和国的气象部门已经联系他们，希望实施该模型以改进对年度季风季节的预报，从而提高今年冬季的农业产量。他希望其他团体也能使用该模型。

“这可以帮助你决定何时围绕降雨施肥，何时在冬季收获期间有霜冻来临时保护作物，或者帮助你避免干旱，”Cohen 说。“它也可能对能源和应急管理有用。我曾与能源官员交谈，他们说，‘如果我在冰暴来临前两天才被告知，我没有足够的时间，但如果我有两周时间，那可能就足以做好充分准备。’”

这项工作部分得到了美国国家科学基金会、Carlos Chagas Filho 研究支持基金会以及欧盟的支持。