研究人员改进未来两到六周的天气预报

MIT News — Artificial Intelligence 论文
weather-forecasting machine-learning subseasonal-prediction extreme-weather nature-paper

摘要

麻省理工学院的研究人员及其合作伙伴在《自然》期刊上发表了一篇论文，介绍了一种能够纠正现有天气预报误差的机器学习模型。该模型将未来两至六周天气预报的准确度提高了一倍，并首次超越了基于气候平均值的预测方法。这种方法还改进了对洪水和寒潮等极端天气事件的预测，并在一项国际天气预报竞赛中夺得第一名。

<p>2021年，得克萨斯州在2月遭遇三场严重冬季风暴后，发生了该州历史上最严重的能源基础设施故障。由此造成的供应中断导致食品、水、供暖和电力短缺，至少246人因此丧生。</p><p>如果能源部门官员有更多时间为风暴做准备，例如向供应中断地区调运更多装载天然气的卡车，这场事件造成的损失本可以减轻。遗憾的是，超过两周的天气预报向来不可靠，这使全球能源运营商、农民和应急响应官员的准备时间更加紧迫。</p><p>一个由麻省理工学院研究人员参与的团队开发了一项新技术，显著改善了两周以后的天气预报。研究人员开发了一种机器学习模型，通过学习修正现有预报模型中的误差，提高其在未来两至六周这一时间范围内的预报表现。将其应用于一个被视为金标准的预报模型后，该时间范围内的预报准确性提高了一倍，并在一项知名国际预报竞赛中夺得第一名。</p><p>在<a href="https://www.nature.com/articles/s41586-026-11126-x" target="_blank">发表于<em>《自然》</em>的一篇新论文</a>中，研究人员介绍了他们的方法，并展示了这种方法如何使未来两至六周的预报首次优于气候平均值。</p><p>“这种方法不仅改善了这一时间范围内的时段平均预报——这对努力匹配供需的农民和能源行业从业者已经非常有用——还提高了对极端天气事件的预测能力，无论是洪水、寒潮，还是其他事件，”论文共同作者、麻省理工学院研究科学家Judah Cohen说。“这两方面的预测都非常重要，但对社会而言，极端事件预测可能是其中影响最大的一部分。”&nbsp;</p><p>与Cohen共同撰写这篇论文的还有主要作者、哈佛学院本科生Hannah Guan；多伦多大学博士后Soukayna Mouatadid；2018年获理学硕士学位、2022年获博士学位的Genevieve Flaspohler；巴西国家纯数学与应用数学研究所副教授Paulo Orenstein；数据公司DTN的Jeremy Berman；欧洲中期天气预报中心研究人员Jakob Schloer和Joshua Talib；以及微软研究人员Alex Lu、Haiyu Dong、Jonathan Weyn、Zekun Ni和Lester Mackey。<br><br><strong>更长时间范围的预报</strong></p><p>20世纪70年代，长期任教于麻省理工学院的教授Edward Lorenz提出了混沌理论，用来描述天气初始条件的微小变化如何导致截然不同的结果。</p><p>“他提出了一个理论上的两周极限，超过这个期限，我们就无法预测天气，因为系统中的噪声会增长到足以淹没最初任何信号的程度，”Cohen说。“这对整个领域产生了深远影响，可能使人们不愿探索两周以后的天气预报。我从来没有完全相信这一点。从理论上说，大气可以产生无穷多种模式，但它倾向于反复呈现某些常见模式。一旦某件事发生，我认为你就能预测接下来会倒下的那块多米诺骨牌，以及再接下来会倒下的那一块。”</p><p>如今，最好的天气预报要么来自动力学模型，通过数值模拟计算大气和海洋如何随时间演变；要么来自人工智能模型，通过历史天气数据学习如何进行预测。人工智能模型在短期天气预测方面已显示出进步，但在较长时间范围内，它们的表现甚至比动力学模型还差。</p><p>Cohen在麻省理工学院土木与环境工程系工作，专注于提前两至六周预测天气，这被称为次季节预报。“这个时间范围被称为‘可预测性荒漠’，因为短期预报可以利用气候系统和大气的初始条件，而较长期的预报则可以利用那些缓慢变化的边界强迫因素，比如大家今年冬天都在关注的超级厄尔尼诺，”Cohen说。“次季节时间范围无法利用这两者中的任何一个。在大多数情况下，进行次季节预报和去赌场掷骰子没什么区别。”</p><p>Cohen表示，利用机器学习减少预报模型误差的最初想法来自共同作者Lester Mackey，两人的合作已超过十年。</p><p>“我们构建了这样一个封装层——Lester称之为后处理，”Cohen说。“我们知道人工智能模型存在很多误差，所以我们想，也许可以量化这些误差并将其消除。”</p><p>其他预报系统采用的误差修正方法较为简单，而研究团队的后处理层则利用人工智能，根据历史数据学习预报系统的错误，并据此调整预报。在这一时间范围内，预报人员使用所谓的概率预报，即给出各种可能情况发生的概率。</p><p>“随着更多预报和数据的获取，我们的模型会自适应地改进其修正效果，”Cohen说。</p><p>为构建这个模型，研究人员使用了MIT Engaging，这是由麻省理工学院科研计算与数据办公室托管的超级计算集群，但最终得到的模型无需超级计算机即可运行。</p><p>为了检验模型，研究团队去年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。该中心被认为是世界上最好的天气预报中心，每个季节都会举办模型之间的预报竞赛。</p><p>获得第一名的参赛模型将ECMWF的预报模型与另一个模型相结合，再在此基础上应用后处理修正。这种方法最终使原始模型在次季节时间范围内的预测能力提高了一倍。该模型首次实现了比依赖气候平均值更好的表现。</p><p>“此前，没有人&nbsp;能够证明，在这些次季节预报中，模型预测天气的效果优于长期平均值，”Cohen说。“它们几乎都比长期平均值差——你真的可以靠抛硬币获得更好的结果。人们一直质疑，是否值得为这一时间范围的模型投入资金。我们的模型始终优于气候平均值。”</p><p>该模型在预测极端天气的能力方面也表现出了统计上显著的改善。</p><p>“这是较为重要的发现之一，因为要做到这一点非常困难，”Cohen说。“当ECMWF为自己的模型开发了不使用人工智能的误差修正方法时，模型预测极端天气的表现反而变差了。我认为，这是因为传统的误差或偏差修正总是试图向平均值靠拢，而极端天气处于概率分布的边缘。”</p><p><strong>为灾害做准备</strong></p><p>在这篇<em>《自然》</em>论文中，团队展示了他们的技术能够改善全球大多数地区的陆地天气预报。他们还将偏差修正技术应用于其他模型，证明这些模型的表现也得到了改善，甚至使原本表现较差的模型达到了与ECMWF预报相当的水平。</p><p>“我们的模型有一个优点，就是它是一个可以附加上去的封装层，”Cohen解释说。“我们将它用于ECMWF的动力学模型，因为该模型被认为是最好的，但它可以用于任何模型。即使某些模型已经使用另一种人工智能算法进行了偏差修正，它仍能改善这些模型的表现。因此，它展现出了稳健的改进效果。而且它是开源的，成本也很低。”</p><p>Cohen说，肯尼亚共和国气象部门已经联系了他们，希望部署这个模型，改进对每年季风季节的预报，从而提高今年冬季的农业产量。他希望其他机构也能使用这个模型。</p><p>“它可以帮助你根据降雨情况决定何时施肥，预测即将到来的冰冻天气，以便在冬季收获期间保护作物，或者帮助你规避干旱，”Cohen说。“它也可能对能源和应急管理有用。我曾与能源部门官员交谈，他们说：‘如果提前两天才告诉我冰暴即将来临，我就没有足够的时间；但如果提前两周告知，可能就足以做好充分准备。’”</p><p>这项工作得到了美国国家科学基金会、Carlos Chagas Filho研究资助基金会和欧盟的部分支持。</p>
查看原文
查看缓存全文

缓存时间: 2026/10/14 18:31

# 研究人员改进未来两至六周的天气预报 来源：https://news.mit.edu/2026/researchers-improve-weather-forecasts-looking-two-six-weeks-out-1014 2021年2月，三场猛烈的冬季风暴接连袭击得克萨斯州，随后该州遭遇了历史上最严重的能源基础设施故障。由此造成的供应中断导致食品、水、供暖和电力短缺，至少246人因此丧生。 如果能源部门官员有更多时间为风暴做准备，例如向供应中断地区增派运送天然气的卡车，这场灾害造成的损失本可以减轻。遗憾的是，超过两周的天气预报向来不可靠，导致全球能源运营商、农民和应急管理官员的准备时间都更加紧迫。 一个由麻省理工学院研究人员参与的团队开发了一项新技术，显著改善了两周以后的天气预报。研究人员开发了一种机器学习模型，通过学习如何纠正现有预报模型中的误差，提高其对未来两至六周天气的预报水平。将这项技术应用于一个被视为黄金标准的预报模型后，该时段的预报准确度提高了一倍，并在一项知名国际预报竞赛中夺得第一名。 在发表于《自然》的一篇新论文（https://www.nature.com/articles/s41586-026-11126-x）中，研究人员介绍了他们的方法，并展示了该方法如何使未来两至六周的天气预报首次优于基于气候平均值的预测。 “这种方法不仅能在这一时段的时间平均预报上取得更好的效果——这对于努力平衡供需的农民和能源行业从业者来说已经非常有用——还能改善对极端天气事件的预测，无论是洪水、寒潮还是其他事件，”论文共同作者、麻省理工学院研究科学家朱达·科恩表示。“预测这两类情况都非常重要，但预测极端事件可能是这项工作对社会影响最大的部分。” 与科恩共同撰写论文的还有主要作者、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；2018年获理学硕士学位、2022年获博士学位的热纳维耶芙·弗拉斯波勒；巴西国家纯数学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人员雅各布·施勒尔和乔舒亚·塔利布；以及微软研究人员亚历克斯·卢、海宇·董、乔纳森·韦恩、泽昆·倪和莱斯特·麦基。 **更长期的预报** 20世纪70年代，长期任教于麻省理工学院的爱德华·洛伦茨教授提出了混沌理论的概念，用来描述初始天气条件的微小变化如何导致截然不同的结果。 “他提出了一个理论上的两周期限，超过这个期限，我们就无法预测天气，因为系统中的噪声会增长到淹没最初任何信号的程度，”科恩说。“这个观点对该领域产生了深远影响，可能阻碍了人们探索超过两周的天气预报。我从未完全相信这一点。理论上，大气可以形成无数种模式，但它往往会反复呈现某些偏好的模式。我认为，一旦某件事发生，你就能预测接下来哪块多米诺骨牌会倒下，以及再接下来哪块会倒下。” 如今，最好的天气预报要么来自动力模型，通过数值模拟大气和海洋随时间的演变；要么来自人工智能模型，通过历史天气数据学习如何进行预测。人工智能模型在短期天气预测方面已展现出进步，但在较长时段的预测上，其表现甚至比动力模型更差。 科恩任职于麻省理工学院土木与环境工程系，专注于提前两至六周预测天气，也就是所谓的次季节预报。“这个时段被称为‘可预测性荒漠’，因为在短期内，你可以利用气候系统和大气的初始条件；而在更长时段，你可以利用那些缓慢变化的边界强迫因素，比如大家今年冬天都在关注的超级厄尔尼诺现象，”科恩说。“次季节时段无法利用这两者中的任何一个。在大多数情况下，进行次季节预报与去赌场掷骰子没有什么区别。” 科恩表示，利用机器学习减少预报模型误差的最初想法，来自与他合作了十多年的共同作者莱斯特·麦基。 “我们构建了这个封装层——莱斯特称之为后处理，”科恩说。“我们知道人工智能模型存在很多误差，所以我们想，也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，根据历史数据从预报系统的错误中学习，并据此调整预报。在这一时段，预报人员使用所谓的概率预报，即给出一系列可能情况各自发生的概率。 “随着更多预报和数据的出现，我们的模型会自适应地改进校正效果，”科恩说。 为了构建模型，研究人员使用了由麻省理工学院科研计算与数据办公室托管的超级计算集群MIT Engaging，但最终得到的模型运行时并不需要超级计算机。 为了检验模型，研究团队去年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。该中心被认为是世界上最好的预报中心，每个季节都会举办模型预报竞赛。 获得第一名的参赛方案将ECMWF的预报模型与另一个模型相结合，然后再应用后处理校正。这种方法最终使原始模型在次季节时段的预测能力提高了一倍。该模型首次取得了优于依赖气候平均值的预测效果。 “到目前为止，还没有人能够证明，在这些次季节预报中，模型预测天气的效果优于长期平均值，”科恩说。“几乎所有模型的表现都更差——你真的可以通过抛硬币得到更好的结果。人们一直质疑，是否值得为这个时段的预报投入资金开发模型。我们的模型能够持续优于基于气候平均值的预测。” 该模型在预测极端天气的能力上也取得了具有统计显著性的提升。 “这是比较重要的发现之一，因为做到这一点非常困难，”科恩说。“ECMWF为自己的模型开发了不使用人工智能的误差校正方法后，模型预测极端天气的表现反而变差了。我认为，这是因为传统的误差或偏差校正总是试图向平均值靠拢，而极端天气位于概率分布的边缘。” **为灾害做好准备** 在这篇《自然》论文中，团队展示了他们的技术可以改善全球大多数地区陆地天气的预报。他们还将偏差校正技术应用于其他模型，证明这些模型的表现也得到了提升，甚至使原本表现较差的模型达到了与ECMWF预报相当的水平。 “我们模型的优点在于，它是一个可以附加使用的封装层，”科恩解释说。“我们将它用于ECMWF的动力模型，是因为该模型被认为是最好的，但它可以用于任何模型。即使模型已经使用另一种人工智能算法进行了偏差校正，它也能进一步改善其表现。这说明它能够带来稳健的提升。而且它是开源的，成本也很低。” 科恩表示，肯尼亚共和国气象部门已经联系了他们，探讨如何应用该模型来改善对一年一度季风季节的预报，从而提高今年冬季的农业产量。他希望其他团体也能使用这一模型。 “这可以帮助你根据降雨安排施肥时间，在冬季收获期间提前得知冰冻天气即将来临以保护作物，或者帮助你规避干旱，”科恩说。“它对能源和应急管理也可能有用。我与一些能源部门官员交谈过，他们说：‘如果提前两天才告诉我冰暴要来了，我没有足够的时间，但如果能提前两周，那可能就足够做好充分准备了。’” 这项工作获得了美国国家科学基金会、卡洛斯·沙加斯·菲略研究资助基金会和欧盟的部分支持。

相似文章