MIT 等团队用机器学习改进 2~6 周天气预报,准确率翻倍
摘要
MIT 等机构研究者提出一种机器学习方法,通过校正已有预报模型的误差来改进 2~6 周次季节天气预报,使该时段准确率翻倍并在国际预报竞赛中夺冠,相关论文发表于 Nature。
核心要点
- 方法属于对现有数值预报模型的误差校正(后处理),而不是另起炉灶重建预报系统,因此可直接叠加到既有预报流程上
- 在应用于一个「黄金标准」预报模型后,2~6 周时间尺度的预报准确率提高了一倍,并在一个知名国际预报竞赛中排名第一
- 论文称这是首次让 2~6 周的预报表现超过气候学平均值(climatologic averages)
- 除时间平均预报外,该方法还改善了洪水、寒潮等极端天气事件的预测,作者认为极端事件可能是对社会影响最大的部分
- 作者阵容跨机构:MIT、微软(Lester Mackey 等多人)、欧洲中期天气预报中心、多伦多大学、巴西国家纯数学与应用数学研究所及数据公司 DTN,第一作者为哈佛学院本科生 Hannah Guan
原文佐证
- the researchers developed a machine-learning model that learns to correct errors in existing forecasting models to improve their output over the two-to-six-week time frame
- When applied to a gold-standard forecasting model, it doubled forecasting accuracy over that time frame, placing first in a prominent international forecasting competition.
- the researchers describe their approach and show how it enables forecasts that for the first time beat climatologic averages between two and six weeks
AI 洞察
2~6 周的次季节尺度一直被视为混沌理论划下的「无人区」,却恰好是能源交易、电网调度和农业决策价值最高的窗口,AI 后处理把这段窗口从不可用变成可用,等于凭空造出一块新的商业与公共安全价值。值得注意的是这类方法依赖既有数值预报模型加上大厂的数据与算力,微软深度参与意味着气象预测的价值链可能向具备 ML 能力的科技公司转移。若误差校正模型持续复现这种增益,未来天气预报的竞争焦点将从「谁的模式更精细」转向「谁的纠错模型更聪明」。