Anvendelse af maskinlæring i intelligent vejrkonsultation

Vejrudsigter er et typisk problem med at koble store data til fysiske procesmodeller, ifølge prof. Pingwen Zhang, en akademiker ved det kinesiske videnskabsakademi, Direktør for National Engineering Laboratory for Big Data Analysis and Application Technology, direktør for Center for Computational Science &Engineering, Peking Universitet. Prof. Zhang er den tilsvarende forfatter til et samarbejde fra Peking University og Institute of Atmospheric Physics, kinesiske videnskabsakademi.

Generelt sagt, vejrudsigter er en stort set vellykket praksis inden for geovidenskaben og, i dag, det er uadskilleligt fra numerisk vejrudsigelse (NWP). Imidlertid, fordi output fra NWP og observationer indeholder forskellige systematiske fejl, en "vejrkonsultation" er en uundværlig del af processen mod yderligere at forbedre prognosernes nøjagtighed.

"Faktisk, den teoridrevne fysiske model og datadrevet maskinlæring er komplementære værktøjer. Ved at kombinere disse to tilgange, et intelligent vejrkonsultationssystem kan bygges til at hjælpe den aktuelle manuelle vejrprocesproces, " siger prof. Zhang. "En af udfordringerne forbundet med dette er at opbygge passende funktionsteknologi til begge typer information for at udnytte dataene fuldt ud."

For at løse disse problemer, Prof. Zhang og hans team har foreslået metoden "model output machine learning" (MOML) til simulering af vejrkonsultation, og denne forskning er for nylig blevet offentliggjort i Fremskridt inden for atmosfæriske videnskaber .

MOML er en efterbehandlingsmetode baseret på maskinlæring, som matcher NWP -prognoser mod observationer gennem en regressionsfunktion. For at teste den nye tilgang til nettemperaturprognoser, overfladelufttemperaturen på 2 m i Beijing-området blev anvendt. MOML -metoden, med forskellige funktioner, blev sammenlignet med ECMWF -modelprognosen og den modificerede modeloutputstatistik (MOS) -metode. MOML viste bedre numerisk ydeevne end ECMWF -modellen og MOS, især til vinteren; nøjagtigheden ved brug af MOML steg med henholdsvis 27,91% og 15,52%.

Vejrkonsultationsdata er unikke, og omfatter hovedsageligt information indeholdt i både NWP-modeldata og observationsdata. De har forskellige datastrukturer og funktioner, hvilket gør feature engineering til en kompliceret opgave. Kvaliteten af ​​feature engineering påvirker direkte det endelige resultat. Zhangs gruppe har foreslået flere funktionstekniske ordninger efter omfattende numeriske eksperimenter. Disse ordninger sikrer beregningseffektiviteten og blev anvendt i meteorologiske undersøgelser for første gang. Prof. Zhang påpeger, at MOML-metoden tillader observationsdata at deltage direkte i beregningen, og bruger både høj- og lavfrekvent information af dataene til at gøre prognoseresultaterne mere præcise. Den MOML -metode, der foreslås i denne undersøgelse, kan anvendes til at forudsige vejret under de kommende vinter -OL 2022, forhåbentlig mere præcist, intelligente og effektive vejrudsigter til denne internationale begivenhed.

Maskinlæring og dyb læring tilbyder forskellige værktøjer til vejrudsigter i en æra med big data, men der er også mange udfordringer i praktiske anvendelser.

"Det er en vigtig fremtidig forskningsretning at inkorporere vejrudsigtsdata og koblede modeller i en hybrid computing -ramme for at undersøge og studere strukturen og funktionerne i observations- og NWP -data, og foreslå datadrevne maskinlæringsalgoritmer, der er velegnede til vejrudsigter, " konkluderer prof. Zhang.