2021年，德克萨斯州遭遇了该州历史上最严重的能源基础设施故障，起因是2月份的三场严重冬季风暴。这次灾难造成至少246人死亡，并引发了食物、水、供暖和电力的严重短缺。
如果能源部门官员能够提前获得更充足的准备时间，例如提前调配更多天然气运输车辆前往受灾地区，这次事件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往往不够准确，这使得全球的能源运营商、农民和应急响应人员面临着非常紧迫的准备窗口期。
由麻省理工学院（MIT）研究人员领导的团队开发出一项新技术，显著改善了两周以上的天气预报准确性。研究人员开发了一种机器学习模型，该模型能够学习并纠正现有预报模型中的误差，从而提升其在2到6周这一时间范围内的预报效果。当这一方法应用于黄金标准预报模型时，该时间段内的预测准确率提升了一倍，并在一场国际权威预报竞赛中夺得第一名。
研究团队在《自然》杂志的一篇新论文中描述了这一方法，并展示了该方法如何首次实现在2到6周时间范围内超越气候平均值的预测效果。
论文合著者、MIT研究科学家朱达·科恩（Judah Cohen）表示："这项技术不仅在这一时间范围内的平均预测表现上有所提升——这对农民和能源行业从业者平衡供需已经非常有用，而且它还改善了对极端天气事件的预测，无论是洪水、寒潮还是其他天气事件。预测这两者都非常重要，但对社会影响最大的或许是极端天气事件的预测改善。"
与科恩共同撰写这篇论文的主要作者包括：哈佛学院本科生汉娜·关（Hannah Guan）；多伦多大学博士后苏卡伊纳·穆阿塔迪德（Soukayna Mouatadid）；MIT硕士（2018年）博士（2022年）毕业生吉纳维芙·弗拉斯波勒（Genevieve Flaspohler）；巴西国家纯粹与应用数学研究所副教授保罗·奥伦斯坦（Paulo Orenstein）；数据公司DTN的杰里米·伯曼（Jeremy Berman）；欧洲中期天气预报中心（ECMWF）研究人员雅各布·施洛尔（Jakob Schloer）和约书亚·塔利布（Joshua Talib）；以及微软公司研究人员亚历克斯·卢（Alex Lu）、董海宇（Haiyu Dong）、乔纳森·韦恩（Jonathan Weyn）、倪泽坤（Zekun Ni）和莱斯特·麦基（Lester Mackey）。
更长远的预报
20世纪70年代，MIT长期任教的教授爱德华·洛伦兹（Edward Lorenz）提出了混沌理论，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："他提出了这个理论上的两周预测极限，超过这个时间范围，我们就无法预测天气了，因为系统中的噪声会不断累积，最终淹没任何初始信号。这一理论对该领域产生了强烈影响，可能也因此阻碍了人们探索两周以上范围预报的可能性。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，但它更倾向于反复出现这些偏好的模式。一旦某件事发生，我认为你就能预测接下来会倒下的多米诺骨牌，以及再之后会倒下的那一块。"
如今，最好的天气预报要么来自动态模型——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——通过历史天气数据学习来进行预测。AI模型在短期天气预测方面已经展现出改进，但在更长的时间范围内，它们的表现甚至比动态模型更差。
科恩所在的MIT土木与环境工程系，专注于提前2到6周预测天气，这被称为"次季节预报"。科恩说："这个范围被称为'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这些缓慢变化的边界力量，比如今年冬天大家都在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，次季节范围内的预报和去赌场掷骰子没什么区别。"
科恩表示，使用机器学习来减少预报模型中的误差这一最初想法，要归功于他的合著者莱斯特·麦基，两人已经合作超过十年。
科恩说："我们构建了这个包装层——莱斯特称之为后处理。我们知道AI模型存在很多误差，所以我们想，或许我们可以量化这些误差并将其消除。"
其他预报系统采用的误差纠正方法较为简单，而该研究团队的后处理层则利用AI基于历史数据学习预报系统的错误模式，并据此调整其预测结果。在这一时间范围内，预报人员使用的是所谓的"概率预报"，即给出一系列可能性发生的概率。
科恩说："随着更多预报数据的产生，我们的模型会自适应地改进其纠正效果。"
为构建该模型，研究人员使用了MIT Engaging超级计算集群，该集群由MIT研究计算与数据办公室提供支持，但最终得到的模型运行时并不需要超级计算机。
为测试模型效果，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权威的天气预报中心。每个季节，ECMWF都会举办模型间的预报竞赛。
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纠正技术。该方法最终使原始模型在次季节范围内的预测能力提升了一倍。这是首次有模型在该时间范围内的表现优于依赖气候平均值的预测方法。
科恩表示："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方面的表现优于长期平均值。此前几乎所有模型的表现都比这更差——你甚至可以靠掷硬币做得更好。人们曾质疑，是否值得为这个时间范围投入资源开发模型。而我们的模型一直稳定地超越气候平均值的表现。"
该模型在预测极端天气事件的能力上也表现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为自己的模型开发非AI误差纠正方法时，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纠正方法总是试图逼近平均值，而极端天气恰恰处于概率分布的边缘位置。"
为灾害做准备
在《自然》论文中，研究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。他们还将这一偏差纠正技术应用于其他模型，并证明该技术同样能够改善这些模型的表现，使一些本来表现较差的模型的预测水平也能达到与ECMWF预报相当的程度。
科恩解释道："我们这个模型的优点在于它是一个附加的包装层。我们将它与ECMWF的动态模型结合使用，因为那被认为是最好的模型，但实际上它可以与任何模型配合使用。即便是已经使用另一种AI算法进行过偏差纠正的模型，它依然能够进一步改善其表现。这表明该方法具有很强的稳健性。而且它是开源且低成本的。"
科恩表示，肯尼亚共和国的气象部门已经联系他，希望应用该模型改善对年度季风季节的预测，以提升今冬的农业产量。他希望其他团体也能采用这一模型。
科恩说："这项技术可以帮助人们决定什么时候在降雨前施肥，什么时候有寒潮来临需要在冬季收获期保护作物，或者帮助人们规避干旱。它对能源和应急管理部门也可能很有用。我和一些能源部门官员交流过，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，但如果提前两周知道，那就足够我们做好充分的准备了。'"
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前多久预测天气？
A：这项技术主要改善的是2到6周这一时间范围内的天气预报，这一范围也被称为"次季节预报"，此前被认为是难以准确预测的"预测性沙漠"。
Q2：这个机器学习模型的工作原理是什么？
A：该模型通过一个"后处理"层，学习现有天气预报模型基于历史数据产生的误差模式，并据此自适应地调整和纠正未来的预测结果，从而提升预测准确性。
Q3：这项技术未来可以应用在哪些领域？
A：该技术可应用于农业灌溉施肥决策、作物防冻预警、干旱规避、能源供应调配以及应急管理等领域，帮助相关部门提前做好应对准备，肯尼亚气象部门已计划用其改善季风预测。
