MIT团队用机器学习改进两周至六周天气预报

2021年2月，德克萨斯州接连遭遇三场严重冬季风暴，随后发生了该州历史上最严重的能源基础设施故障。这场灾难导致至少246人丧生，并引发了食物、水、取暖和电力短缺。

如果能源官员有更多时间来为风暴做准备，例如向受灾地区调运更多天然气罐车，此次事件造成的损失本可以减轻。遗憾的是，两周以上的天气预报出了名的不可靠，这使得全球的能源运营商、农民和应急响应官员的准备窗口更加紧迫。

包括麻省理工学院（MIT）研究人员在内的一个团队开发的一项新技术，显著提升了两周以上的天气预报能力。研究人员开发了一个机器学习模型，该模型学习纠正现有预报模型中的错误，从而改进其在两到六周时间范围内的输出。当应用于一个黄金标准的预报模型时，它将该时间段内的预报准确率提高了一倍，在一项著名的国际预报竞赛中名列第一。

在《自然》上的新论文中，研究人员描述了他们的方法，并展示了该方法如何首次实现提前两周到六周、优于气候学平均值的预测。

“这不仅在这一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从业者已经非常有用——而且还能改进对极端天气事件的预测，无论是洪水、寒潮还是其他事件，”合著者、MIT 研究科学家 Judah Cohen 说。“同时预测两者非常重要，而极端事件可能是这对社会影响最大的部分。” 

与 Cohen 共同完成这篇论文的还有：第一作者、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研究员 Jakob Schloer 和 Joshua Talib；以及微软研究员 Alex Lu、Haiyu Dong、Jonathan Weyn、Zekun Ni 和 Lester Mackey。

更长的预报

20 世纪 70 年代，MIT 长期任教的教授 Edward Lorenz 提出了混沌理论，用以描述初始天气条件中的微小变化如何导致截然不同的结果。

“他提出了一个理论上的两周极限，超过这个极限我们就无法预测天气，因为系统中的噪声增长到足以压倒你开始时的任何信号，”Cohen 说。“这对该领域产生了强烈影响，可能让人们不敢探索两周以上的预报。我从来没有真正完全相信这一点。理论上，大气可以产生无穷多种模式，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，我想你就可以预测接下来倒下的那块多米诺骨牌，以及再接下来倒下的那块。”

如今，最好的天气预报要么来自动力学模型——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进行预测。人工智能模型在短期天气预测方面已显示出改进，但在更长的时间范围上，它们的表现甚至比动力学模型还差。

任职于麻省理工学院土木与环境工程系的科恩（Cohen）专注于提前两到六周的天气预报，这被称为次季节尺度预报。“这一时间范围被称为‘可预报性沙漠’，因为在短期内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，比如今年冬天所有人都在关注的超级厄尔尼诺，”科恩说。“次季节尺度无法利用这两者中的任何一个。在大多数情况下，次季节尺度的预报与去赌场掷骰子没什么两样。”

科恩将最初的想法归功于他的合著者莱斯特·麦基（Lester Mackey），他们已合作十余年，正是麦基提出了利用机器学习来减少预报模型误差的最初想法。

“我们构建了这个包装器——莱斯特称之为后处理，”科恩说。“我们知道人工智能模型存在很多误差，所以我们想，也许我们可以量化这些误差并将其去除。”

其他预报系统采用更简单的误差校正方法，而研究团队的后处理层则利用人工智能，基于历史数据从预报系统的错误中学习，并调整其预报。在该时间范围内，预报员使用所谓的概率预报，即给出一系列可能性各自的可能性大小。

“随着更多预报和数据的获得，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——一个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，但最终的模型运行并不需要超级计算机。

为了测试他们的模型，去年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，该中心被认为是世界上最好的预报中心。ECMWF 每个季度都会举办模型之间的预报竞赛。

获得第一名的提交将 ECMWF 的预报模型与另一个模型相结合，然后在其之上应用后处理校正。这种方法最终使原始模型在次季节尺度上的预测能力翻了一番。该模型首次在依赖气候平均值方面实现了改进。

“直到现在，还没有人能够证明在这些次季节预报中，某个模型的预测优于长期平均值，”科恩说。“它们几乎都比那更差——你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。我们的模型始终优于气候平均值。”

该模型在预测极端天气的能力方面也显示出统计学上显著的改进。

“这是较为重要的发现之一，因为要做到这一点非常困难，”Cohen 说，“当 ECMWF 为其模型开发自己的非 AI 误差校正时，其极端天气预测反而变差了。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。”

为灾害做好准备

在这篇 Nature 论文中，研究团队展示了他们的技术可用于改进全球大多数地区的陆地预报。他们还将偏差校正技术应用于其他模型，并表明它同样能改善这些模型，使一些较弱的模型也能与 ECMWF 的预报相媲美。”

“我们的模型的优点在于它是一个附加的封装模块，”Cohen 解释道，“我们把它与 ECMWF 的动力模型一起使用，因为那被认为是最好的，但它可以与任何模型配合使用。它甚至能改进那些已经使用其他 AI 算法进行过偏差校正的模型。因此，它展现出了稳健的改进效果。而且它是开源的、成本低廉的。”

Cohen 表示，肯尼亚共和国气象局已经联系过他，希望采用该模型来改进对年度季风季节的预报，从而提高今冬的农业产量。他希望其他团队也能使用该模型。

Cohen 说：“这可以帮助你决定在降雨前后何时施肥，何时有寒潮来袭以在冬季收获期间保护作物，或者帮助你避开干旱。它对能源和应急管理也可能有用。我与能源官员谈过，他们说：‘如果提前两天告诉我冰暴要来，我没有足够的时间；但如果能提前两周，那就足以做好充分准备了。’”

这项工作部分由美国国家科学基金会、Carlos Chagas Filho 研究支持基金会和欧盟资助。