MIT 研究人員參與開發機器學習方法，提升兩至六週天氣預報準確度

2021 年，德州在 2 月接連遭遇三場嚴重冬季風暴後，經歷了州史上最嚴重的能源基礎設施故障。至少246人因這些中斷而死亡，食物、食水、暖氣和電力亦出現短缺。

如果能源部門官員有更多時間為風暴作準備，例如調派更多載有天然氣的貨車前往受影響地區，便有可能減輕這次事件造成的損害。可惜，超過兩週的天氣預報向來極不可靠，令世界各地的能源營運商、農民及緊急應變官員可作準備的時間更短。

一支包括 MIT 研究人員在內的團隊開發了新技術，大幅提升了超過兩週的天氣預報準確度。研究人員開發了一個機器學習模型，讓模型學習修正現有預報模型的誤差，從而改善其在兩至六週時間範圍內的預報結果。把這個模型應用於一個黃金標準預報模型後，該時間範圍內的預報準確度提升至原來的兩倍，並在一項具影響力的國際預報競賽中名列第一。

研究人員在刊於 Nature 的新論文中介紹了這種方法，並展示它如何首次讓兩至六週範圍內的預報優於氣候平均值。

「這不但令這個時間範圍內的時間平均預報更準確，對需要配合供求的農民和能源業界人士已很有用，同時亦改善了對極端天氣事件的預測，無論是水浸、寒潮還是其他情況，」論文共同作者、MIT 研究科學家 Judah Cohen 説。「兩者都很重要，但極端事件可能是當中對社會影響最大的一環。」 

與 Cohen 合著論文的還有主要作者 Hannah Guan（哈佛學院本科生）；Soukayna Mouatadid（多倫多大學博士後研究員）；Genevieve Flaspohler SM ’18, PhD ’22；巴西國家純粹與應用數學研究所副教授 Paulo Orenstein；數據公司 DTN 的 Jeremy Berman；歐洲中期天氣預報中心的研究人員 Jakob Schloer 和 Joshua Talib；以及 Microsoft 的研究人員 Alex Lu、Haiyu Dong、Jonathan Weyn、Zekun Ni 和 Lester Mackey。

較長期的預報

20 世紀 70 年代，MIT 資深教授 Edward Lorenz 提出了混沌理論，用以描述天氣初始狀況的微小變化如何導致截然不同的結果。

「他提出了理論上的兩週上限，超過這個限度，我們就無法預測天氣，因為系統中的雜訊會大幅增加，淹沒一開始就有的任何訊號，」Cohen 説。「這對該領域影響深遠，可能令研究人員卻步，不再探索兩週以外的預報。我從來沒有完全相信這個説法。理論上，大氣可以形成無數種模式，但它總是反覆形成某些偏好的模式。一旦某件事發生，我認為你就能預測接下來會倒下的多米諾骨牌，以及再下一張會倒下的骨牌。」

目前，最佳天氣預報來自兩類模型：一類是動力模型，以數值方式模擬大氣和海洋隨時間的演變；另一類是人工智能模型，透過歷史天氣數據學習作出預測。人工智能模型在短期天氣預測方面已有所進步，但在較長時段的預測上，表現甚至不及動力模型。

Cohen 任職於 MIT 土木與環境工程系，研究提前兩至六星期預測天氣，這稱為次季節預報。「這段時期被稱為『可預測性沙漠』，因為在短期內，你可以利用氣候系統和大氣的初始條件；至於較長期的預測，則可利用變化緩慢的邊界強迫因素，例如今冬人人關注的超級厄爾尼諾現象，」Cohen 説。「次季節時段兩者都無法利用。在大多數情況下，次季節預報跟去賭場擲骰子沒有分別。」

Cohen 説，最初提出利用機器學習減少預報模型誤差的構思，來自合著者 Lester Mackey；兩人合作已超過十年。

「我們建立了這個包裝層——Lester 稱之為後處理，」Cohen 説。「我們知道人工智能模型有很多誤差，所以想或許可以量化這些誤差，再將其消除。」

其他預報系統也會進行較簡單的誤差修正，而研究團隊的後處理層則利用人工智能，根據歷史數據學習預報系統的錯誤，並調整其預報。在這段時期，預報員會使用所謂的概率預報，為一系列可能情況提供發生概率。

「隨着更多預報和數據陸續出現，我們的模型會適應並改進修正效果，」Cohen 説。

為了建立模型，研究人員使用了 MIT Engaging，這是由 MIT 研究計算與數據辦公室託管的超級電腦叢集；不過，最終建立的模型無需超級電腦也能運行。

去年，研究團隊向歐洲中期天氣預報中心（ECMWF）提交了三個加入後處理層的模型，以測試模型的表現。該中心被視為全球最佳的天氣預報中心。ECMWF 每季都會舉辦模型預報比賽。

獲得第一名的參賽模型結合了 ECMWF 的預報模型和另一個模型，再套用後處理修正。這種做法令原有模型在次季節時段的預測能力提升一倍。該模型首次展現出優於依賴氣候平均值的表現。

「截至目前，沒有人能證明模型在次季節預報上的表現優於長期平均值，」Cohen 説。「它們的表現幾乎全都比長期平均值差——你真的可以擲硬幣，結果還會更好。有人質疑，是否值得為這段時期的模型投入資源。我們的模型持續勝過氣候平均值。」

模型在預測極端天氣的能力方面，也展現出具統計顯著性的改善。

「這是較重要的研究發現之一，因為要做到這一點非常困難，」Cohen 説。「ECMWF 為其模型開發自家非 AI 誤差校正方法後，模型預測極端天氣的能力反而變差。我認為這是因為傳統的誤差或偏差校正總是試圖靠近平均值，而極端天氣則處於概率分佈的邊緣。」

為災害作好準備

在刊於 Nature 的論文中，研究團隊展示了他們的技術如何改善全球大多數地區的陸地預報。他們亦把偏差校正技術應用於其他模型，並證明這項技術同樣能改善那些模型，令較次一級的模型也能媲美 ECMWF 的預報。

「我們模型的優點是它是一個附加包裝層，」Cohen 解釋。「我們把它用於 ECMWF 的動力模型，因為該模型被視為最佳模型，但這項技術可用於任何模型。它甚至能改善已使用另一種 AI 演算法進行偏差校正的模型。因此，它能帶來穩健的改善，而且是開源、成本低廉的。」

Cohen 表示，肯尼亞共和國氣象局已就採用這個模型聯絡他們，希望改善對每年季候風季節的預測，從而提高今個冬季的農業產量。他希望其他團體也會使用這個模型。

「這有助你決定何時配合降雨施肥，或在寒潮來臨時保護農作物，度過冬季收成期；也有助你避開旱災，」Cohen 説。「它對能源及緊急事故管理也可能有用。我曾與能源官員交談，他們説：『如果有人在冰暴來臨前兩天通知我，時間就不夠；但如果有兩星期，或許足以作好妥善準備。』」

這項研究部分由美國國家科學基金會、Carlos Chagas Filho Foundation for Research Support 及歐盟資助。