2021年，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，当时正值2月份三场严重冬季风暴接连来袭。这场灾难导致至少246人死亡，并引发了食品、水、供暖和电力短缺的连锁危机。
如果能源官员当时能有更多时间为风暴做准备，例如提前调配更多天然气运输车辆前往受灾地区，这场灾难造成的损失本可以得到缓解。遗憾的是，超过两周的天气预报长期以来都极不可靠，这给全球范围内的能源运营商、农民以及应急响应官员留下的准备窗口十分狭窄。
一支由麻省理工学院研究人员领衔的团队开发出一项新技术，显著提升了两周以上的天气预报能力。研究人员开发出一种机器学习模型，该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预测结果。当应用于一个黄金标准预报模型时，该技术将这一时间范围内的预报准确性提升了一倍，并在一项国际知名预报竞赛中获得第一名。
研究人员在《自然》杂志的一篇新论文中描述了这一方法，并展示了该技术首次使两到六周的预报表现超越了气候学平均值。
论文共同作者、麻省理工学院研究科学家朱达·科恩表示："这项技术不仅在这一时间范围内的平均气温预报上表现更好——这对于试图匹配供需关系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、寒潮还是其他灾害。预测这两方面都非常重要，但极端事件的预测或许对社会的影响最为显著。"
论文的其他作者包括第一作者、哈佛学院本科生汉娜·关，多伦多大学博士后苏凯娜·穆阿塔迪德，麻省理工学院理学硕士（2018年）及博士（2022年）热纳维耶夫·弗拉斯波勒，巴西国家纯粹与应用数学研究所副教授保罗·奥伦斯坦，数据公司DTN的杰里米·伯曼，欧洲中期天气预报中心研究员雅各布·施洛尔和约书亚·塔利卜，以及微软公司的研究人员亚历克斯·卢、董海宇、乔纳森·韦恩、倪泽坤和莱斯特·麦基。
延长预报周期
20世纪70年代，麻省理工学院长期任教的教授爱德华·洛伦兹提出了混沌理论的概念，用以描述天气初始条件的微小变化如何导致完全不同的结果。
科恩说："他提出了一个理论上两周的预测极限，超过这个期限，我们就无法预测天气了，因为系统中的噪声会增长到淹没任何初始信号的程度。这对该领域产生了强烈影响，可能也让人们不敢去探索超过两周范围的预报。但我从来没有完全相信这一点。理论上大气可以产生无限多种模式，但它往往会反复陷入一些偏好的模式中。一旦某件事发生，我认为你就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那一块。"
如今，最好的天气预报来自两类方法：动力学模型，通过数值方式模拟大气和海洋随时间的演变；或是人工智能模型，通过学习历史天气数据来做出预测。人工智能模型在短期天气预测方面已经展现出改进效果，但在更长时间范围内的表现甚至比动力学模型更差。
科恩所在的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，这被称为次季节预报。科恩说："这个时间范围被称为'可预测性沙漠'，因为在短期内你可以利用气候系统和大气的初始条件，而在长期内你可以利用缓慢变化的边界力量，比如今年冬天大家都关注的超级厄尔尼诺现象。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。"
科恩将利用机器学习来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。
科恩说："我们构建了这个'包装器'——莱斯特称之为后处理。我们知道人工智能模型存在很多误差，所以我们想，或许可以量化这些误差并将其消除。"
其他预报系统采用的误差校正方法较为简单，而该研究团队的后处理层则利用人工智能从预报系统基于历史数据产生的错误中学习，并据此调整其预测结果。在这个时间范围内，预报员使用所谓的概率预报，即给出一系列可能性的发生概率。
科恩说："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能力。"
为构建这一模型，研究人员使用了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"Engaging"，但最终得到的模型本身运行并不需要超级计算机。
为了验证模型效果，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，该中心被认为是全球最佳的天气预报机构。每个季节，ECMWF都会组织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，并在此基础上应用了后处理校正。这一方法最终将原始模型在次季节范围内的预测能力提升了一倍。这是该模型首次在预测效果上超越依赖气候学平均值的方法。
科恩说："迄今为止，还没有人能够证明某个模型在这些次季节预报上的表现优于长期平均值。此前几乎所有模型的表现都比长期平均值更差——你随便掷个硬币都能做得更好。人们已经开始质疑是否值得为这个时间范围投资开发模型。而我们的模型持续超越了气候学平均值。"
该模型在预测极端天气方面的能力也显示出统计学意义上的显著提升。
科恩说："这是最重要的发现之一，因为实现这一点非常困难。当ECMWF为其模型开发了自己的非人工智能误差校正方法时，其预测极端天气的能力反而变差了。我认为这是因为传统的误差或偏差校正总是试图趋近平均值，而极端天气恰恰处于概率分布的边缘。"
为灾害做好准备
在《自然》杂志的论文中，研究团队展示了其技术可以用于改善全球大多数地区的陆地预报。他们还将这种偏差校正技术应用于其他模型，结果显示同样有效，使得一些表现较弱的模型也能达到与ECMWF预报相当的水平。
科恩解释说："我们这个模型的优点在于它是一个附加包装器。我们之所以将其与ECMWF的动力学模型配合使用，是因为该模型被认为是最好的，但实际上它可以与任何模型配合使用。它甚至能改进那些已经通过另一种人工智能算法进行过偏差校正的模型。这表明了它的改进效果非常稳健。而且它是开源且低成本的。"
科恩表示，肯尼亚共和国气象局已经联系他，希望将该模型用于改善对年度季风季节的预报，以提高今年冬季的农业产量。他希望其他团体也能采用这一模型。
科恩说："这可以帮助你决定何时在降雨前施肥，何时在冬季收获期有冰冻来临前保护作物，或者帮助你规避旱情。它对能源和应急管理也可能有用。我和一些能源官员交流过，他们说，'如果提前两天告诉我冰暴要来了，我没有足够的时间准备，但如果提前两周告诉我，那就足够做好充分的准备了。'"
这项研究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以及欧盟的支持。
Q&A
Q1：这项新的天气预报技术能提升多少预测准确性？
A：当应用于黄金标准的ECMWF预报模型时，该后处理技术将两到六周时间范围内的预测准确性提升了一倍，并首次使预报表现超越了传统的气候学平均值。
Q2：这项技术的工作原理是什么？
A：研究人员开发了一种机器学习"后处理层"，可以作为现有预报模型的附加包装器使用。它通过学习预报系统基于历史数据产生的错误，自适应地修正和调整预测结果，从而不需要超级计算机即可运行。
Q3：这项技术对实际生活有什么帮助？
A：它可以帮助农民决定施肥和防冻时机，帮助能源官员提前做好应对冰暴等极端天气的准备，还能帮助应急管理部门和农业生产提升决策效率。肯尼亚气象局已计划用它改善季风季节预报。
