通过机器学习提高天气预报的统计可靠性

发布时间：2024-03-11 16:36:02 栏目：精选百科

导读 一个全球研究团队在改进天气预报方法方面取得了长足进步，特别关注解决长期存在的分位数交叉问题。这种现象扰乱了天气预报中预测值的顺序，...

一个全球研究团队在改进天气预报方法方面取得了长足进步，特别关注解决长期存在的“分位数交叉”问题。这种现象扰乱了天气预报中预测值的顺序，源自数值天气预报(NWP)过程——一种涉及观测和大气演化规律的两步预测方法。



尽管数值天气预报取得了进步，模型仍然产生有偏差且分散程度较低的预测。为了缓解这一问题，过去尝试探索了非参数方法，例如分位数回归神经网络 (QRNN) 及其变体，旨在输出反映预测分布中的值排名的分位数。然而，这些方法经常面临“分位数交叉”，阻碍了预测解释。

临时解决方案(例如简单排序)并没有解决核心问题。进入团队的突破：非交叉分位数回归神经网络(NCQRNN)模型。

这项创新由杨大志教授及其来自哈尔滨工业大学、卡尔斯鲁厄理工学院、中国科学院、新加坡国立大学、英国电力网络、中国气象局、黑龙江省气象局和布达佩斯大学的同事开发技术与经济学院，调整了传统的 QRNN 结构。NCQRNN 模型通过添加保留输出节点排序顺序的新层来修改传统 QRNN 的结构，从而使较低分位数永远小于较高分位数，而不会损失准确性。

他们的研究结果发表在《大气科学进展》上。

杨教授强调：“我们的 NCQRNN 模型保持了预测值的自然顺序，确保较低的分位数比较较高的分位数较小。这提高了准确性并显着提高了预测的可解释性。”

布达佩斯科技经济大学的 Martin J. Mayer 博士补充道：“这个想法简单但有效：神经网络间接学习分位数之间的差异作为中间变量，并以加法方式使用这些非负值来估计分位数，本质上保证了它们的递增顺序。此外，这个非交叉层可以添加到各种不同的神经网络结构中，确保所提出的技术的广泛适用性。

事实上，这种创新的机器学习方法成功应用于太阳辐照度预测，展示了对现有模型的重大改进。其适应性强的设计可以无缝集成到各种天气预报系统中，从而能够对一系列天气变量进行更清晰、更可靠的预测。

卡尔斯鲁厄理工学院的 Sebastian Lerch 博士评论道：“所提出的分位数回归神经网络模型非常通用，只需进行最小的调整即可应用于其他目标变量。因此，该方法也将适用于其他天气和气候太阳辐照度预测之外的应用。”

中国科学院大气物理研究所夏翔傲博士总结道：“机器学习在天气气候研究领域具有重要的应用前景。这项研究为如何应用先进的机器学习提供了具有启发性的案例研究数值天气预报模型的方法，以提高天气预报和气候预测的准确性。”

国际研究团队由具有不同背景的个人组成，涵盖大气科学、太阳能、计算统计、工程学和数据科学。值得注意的是，参与这项研究的某些团队成员合作撰写了一篇评论论文，阐明了太阳能曲线的基本概念和最新进展。这篇综述论文于 3 月 1 日发表，并登上第 8 期《大气科学进展》的封面，不仅建立了对太阳能功率曲线建模原理的深入理解，而且还为大气科学家发挥了桥头堡的作用，将他们的辐射知识与太阳能的实际利用。