2021年2月，德克萨斯州遭遇严重冬季风暴，引发该州历史上最严重的能源基础设施故障，导致至少246人因断水、断电及物资短缺遇难。若能源官员能提前调运天然气等资源，损失本可减轻。然而，传统观点认为超过两周的天气预报并不可靠，这令全球能源运营商、农民及应急管理人员面临严峻挑战。
近日，包括麻省理工学院（MIT）研究人员在内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准确率。该团队研发的机器学习模型能够学习并修正现有预报模型的误差，改善两到六周时间范围内的预测输出。当应用于权威标准预报模型时，该方法使该时段内的预报准确率提高了一倍，并在一项著名的国际预报竞赛中获得第一名。
相关论文已发表于《自然》杂志。研究证明，该技术首次实现在两到六周的时间范围内，预报能力超越气候平均值。
“这不仅提高了平均天气的预测精度——对平衡供需的农民和能源行业极具价值——还改善了对洪水、寒潮等极端天气事件的预测，”论文共同作者、MIT研究科学家朱达·科恩（Judah Cohen）表示，“准确预测这两者都至关重要，而极端天气往往对社会影响最大。”
突破“可预报性沙漠”
20世纪70年代，MIT终身教授爱德华·洛伦兹提出混沌理论，指出初始天气条件的微小变化会导致结果巨大差异，从而确立了“两周预报极限”的理论基础。科恩指出，这一理论可能阻碍了学界对更长周期预报的探索。“大气倾向于反复落入特定的‘偏好’模式。一旦某种模式形成，就可以预测后续的多米诺骨牌效应。”
目前，主流天气预报依赖动力学模型或人工智能模型。AI在短期预测上表现优异，但在长期范围往往不及动力学模型。科恩专注于提前两到六周的“次季节预报”，他称该领域为“可预报性沙漠”：既无法利用短期的初始条件，也难以捕捉长期的缓慢边界力（如厄尔尼诺现象），传统预报在此区间的准确度近乎随机。
科恩与合作十余年的微软研究员莱斯特·麦基（Lester Mackey）提出利用机器学习减少预报误差。他们构建了一个“后处理”包装器，利用AI根据历史数据从预报系统的错误中学习并自适应调整，而非采用简单的偏差校正。
为测试模型，研究团队去年向欧洲中期天气预报中心（ECMWF）提交了三个包含后处理层的模型。在ECMWF举办的季节性预报竞赛中，结合ECMWF预报模型并应用后处理校正的方案获得第一名。这是首次有模型在次季节范围内持续击败气候学平均值。
“在此之前，没人能证明模型在这些次季节预报中比长期平均值更准，人们甚至质疑是否值得为此投资，”科恩说，“我们的模型始终胜出。”此外，该模型在预测极端天气方面也显示出统计学上的显著改善，克服了传统校正方法因回归均值而导致极端事件预测变差的问题。
赋能灾害预防与农业决策
研究显示，该技术可改善全球大部分地区的地面预报。作为一种附加的“包装器”，它可应用于任何预报模型，即使是对已使用其他AI算法进行偏差校正的模型，也能进一步提升性能。科恩强调，该方案开源且低成本。
目前，肯尼亚共和国气象局已联系团队，希望部署该模型以改善年度季风季节预报，进而提升农业产量。科恩指出，该技术可帮助农民决定施肥时机、防范冻害或规避干旱；对能源和应急管理同样关键。“如果提前两天得知冰暴来临，准备时间不足；但若有两周预警，则足以做好充分准备。”
该项研究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部分支持。