Brug af maskinlæring til at forbedre klimaprognoser under sæsonen

Juda Cohen, direktør for sæsonprognose ved AER (Atmosfærisk og Miljøforskning) og gæsteforsker i MIT's Institut for Civil- og Miljøteknik, og Ernest Fraenkel, professor i biologisk ingeniørvidenskab ved MIT, har vundet førstepladsen i tre ud af fire temperaturprognosekategorier i den undersæsonlige klimaforecast Rodeo-konkurrence, vært af National Oceanic and Atmospheric Administration og sponsoreret af U.S. Bureau of Reclamation.

MIT-forskerne, som fik selskab af Stanford University Ph.D. studerende Jessica Hwang og Paulo Orenstein og Microsoft-forsker Lester Mackey, slå den operationelle langsigtede prognosemodel, som den amerikanske regering bruger.

For at være berettiget til konkurrencen, holdene skulle indsende deres klimaforudsigelser hver anden uge mellem den 17. april, 2017 og 18. april, 2018. Målet var at skabe en model, som det vestlige USA ville være i stand til at stole på uger i forvejen for at hjælpe med at styre vandressourcerne og forberede sig på naturbrande og tørke.

Konkurrencen krævede, at modellerne opnåede en højere gennemsnitlig færdighed i forhold til alle konkurrenceprognoser, og to benchmarks indsendt af den amerikanske regering, som er upartiske versioner af det fysik-baserede U.S. Climate Forecasting System. Modellerne skulle også opnå dæmpet persistens (hvilket indikerer, at de data, du bidrager med, øger den korrelative effekt over tid).

"De nuværende vejrforudsigelsesmodeller er kun i stand til at lave prognoser omkring syv til 10 dage før prognosen. Ved at bruge maskinlæringsteknikker som den, vi skabte til denne konkurrence, [den nye model] er i stand til at hjælpe energiselskaber og byer med at forberede sig på alvorlige storme meget længere i forvejen, siger Cohen.

Det dynamiske team af eksperter kombinerede historisk vejrmønstergenkendelse og maskinlæring for at producere real-time forudsigelser af temperatur- og nedbørsanomalier to til seks uger i forvejen i det vestlige USA.

"Vi udnyttede den nuværende tilgængelighed af rigelige meteorologiske optegnelser og højtydende computerteknikker til at blande både fysikbaserede eller dynamiske modeller og statistiske maskinlæringstilgange for at udvide den dygtige prognosehorisont fra dage til uger, siger Cohen.

Kombinationen af ​​maskinlæringsteknikker og historisk vejrmønstergenkendelse er meget kraftfuld, fordi det kan hjælpe regeringen med at maksimere vandressourcer og forberede sig på naturkatastrofer eller ekstreme vejrforhold.

"Der er bestemt planer om at fortsætte dette projekt, da vi har talt om at udvide modellen til hele USA Vi demonstrerede med denne konkurrence, at der er potentiale med denne model til at springe frem i prognoseprocessen. Det kan hjælpe med at give mere nøjagtighed til lavere omkostninger i de undersæsonmæssige prognoser, " forklarer Cohen.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.