MIT 等团队用机器学习后处理改进两到六周天气预报

2021年，在2月遭遇三场严重冬季风暴后，得克萨斯州经历了该州历史上最严重的能源基础设施故障。由于电力中断，至少246人丧生，并导致食物、水、供暖和电力短缺。

如果能源官员有更多时间准备应对风暴，例如向受灾地区运送更多天然气卡车，这场事件的损失本可减轻。遗憾的是，两周以上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窗口更加紧张。

包括麻省理工学院研究人员在内的团队开发出一种新技术，显著提升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，能够学习纠正现有预报模型中的误差，从而改善两到六周时间范围内的输出结果。当应用于一个黄金标准预报模型时，该模型将这一时间范围内的预报准确率提高了一倍，并在一个著名的国际预报竞赛中夺得第一名。

在一篇发表在《自然》上的新论文中，研究人员描述了他们的方法，并展示了它如何首次实现两到六周内超越气候平均值的预报。

“这不仅在这个时间范围的时间平均预报上表现更好——这对试图匹配供需的农民和能源行业人士已经非常有用——而且还改善了对极端天气事件的预测，无论是洪水、寒潮还是其他事件，”共同作者、麻省理工学院研究科学家Judah Cohen说。“预测这两者都非常重要，但极端事件对社会来说可能是影响最大的部分。” 

与Cohen共同撰写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，用以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，超过这个限制，我们就无法预测天气，因为系统中的噪声增长得如此之大，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，可能阻碍了人们探索两周以上的预报。我从未完全相信这一点。理论上，大气可以产生无限多的模式，但它喜欢一遍又一遍地落入这些偏好的模式。一旦某件事发生，我认为你可以预测接下来倒下的多米诺骨牌，以及再下一个倒下的多米诺骨牌。”

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演变的过程，要么来自人工智能模型——从历史天气数据中学习并做出预测。AI 模型在短期天气预报上已显示出改进，但在更长时间范围内，它们甚至比动力模型更差。

Cohen 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，你有这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，”Cohen 说。“次季节范围无法利用其中任何一方。在大多数情况下，次季节范围的预报就像去赌场掷骰子一样。”

Cohen 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 Lester Mackey，两人已合作十多年。

“我们构建了这个包装器——Lester 称之为后处理，”Cohen 说。“我们知道 AI 模型有很多误差，所以我们想也许可以量化这些误差并消除它们。”

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，预报员使用所谓的概率预报，即给出各种可能性的概率。

“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，”Cohen 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，但最终模型运行并不需要超级计算机。

为了测试他们的模型，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结合，然后在其上应用后处理校正。这种方法最终使原始模型在次季节范围内的预测能力翻倍。该模型首次提供了优于依赖气候平均值的改进。

“到目前为止，还没有人能够证明某个模型在这些次季节预报中比长期平均值更好地预测天气，”Cohen 说。“它们几乎都比长期平均值差——你 literally 抛硬币都能做得更好。人们曾质疑在这个时间范围内投资模型是否值得。我们的模型持续优于气候平均值。”

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。

“这是比较重要的发现之一，因为它太难实现了，”科恩说。“当ECMWF开发出自己的、非AI的模型误差校正时，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趋近平均值，而极端天气处于概率的边缘。”

为灾难做准备

在Nature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，并表明它也改善了那些模型，使更弱的模型也能与ECMWF的预报相媲美。

“我们模型的好处在于它是一个附加包装器，”科恩解释道。“我们将它用于ECMWF的动力模型，因为那被认为是最好的，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。”

科恩说，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，何时有霜冻来临以在冬季收获期间保护作物，或者帮助你避免干旱，”科恩说。“它也可能对能源和应急管理有用。我与能源官员交谈过，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、卡洛斯·查加斯·菲略研究支持基金会和欧盟的支持。