Применение машинного обучения в интеллектуальном синоптическом консультировании

Прогнозирование погоды — это типичная проблема, сочетающая большие данные с моделями физических процессов. Для дальнейшего повышения точности прогнозов неотъемлемой частью процесса является «синоптическое консультирование», которое корректирует систематические ошибки численных прогнозов погоды (NWP) и наблюдений. Ученые из Пекинского университета и Института физики атмосферы Китайской академии наук предложили метод «машинного обучения на выходе модели» (MOML) для имитации этого процесса.

MOML — это метод постобработки на основе машинного обучения, который сопоставляет прогнозы NWP с наблюдениями через регрессионную функцию. При тестировании для прогнозов приземной температуры воздуха в районе Пекина метод MOML показал лучшие численные результаты по сравнению с моделью ECMWF и модифицированным методом статистики выходных данных модели (MOS), особенно зимой. Точность при использовании MOML увеличилась на 27,91% и 15,52% соответственно.

«Теоретическая физическая модель и основанное на данных машинное обучение — это взаимодополняющие инструменты. Объединив эти два подхода, можно создать интеллектуальную систему синоптического консультирования», — говорит профессор Пинвэнь Чжан, ведущий автор исследования. Метод MOML позволяет данным наблюдений напрямую участвовать в расчетах и использует как высокочастотную, так и низкочастотную информацию для повышения точности. Этот метод может быть применен для прогнозирования погоды на предстоящих зимних Олимпийских играх 2022 года.

Важным направлением будущих исследований является интеграция данных прогнозов и связанных моделей в гибридную вычислительную структуру для изучения особенностей данных и создания алгоритмов машинного обучения, подходящих для прогнозирования погоды.