Juda Cohen, chef för säsongsprognos vid AER (Atmospheric and Environmental Research) och gästforskare vid MIT:s avdelning för civil- och miljöteknik, och Ernest Fraenkel, professor i biologisk teknik vid MIT, har vunnit förstaplatsen i tre av fyra temperaturprognoskategorier i tävlingen Sub-Seasonal Climate Forecast Rodeo, värd av National Oceanic and Atmospheric Administration och sponsras av U.S. Bureau of Reclamation.

MIT-forskarna, som fick sällskap av Stanford University Ph.D. studenterna Jessica Hwang och Paulo Orenstein och Microsoft-forskaren Lester Mackey, slå den operativa långdistansprognosmodellen som används av den amerikanska regeringen.

För att vara berättigad till tävlingen, lagen var tvungna att skicka in sina klimatförutsägelser varannan vecka mellan den 17 april, 2017 och 18 april, 2018. Målet var att skapa en modell som västra USA skulle kunna förlita sig på veckor i förväg för att hjälpa till att hantera vattenresurser och förbereda sig för skogsbränder och torka.

Konkurrensen krävde att modellerna uppnådde en högre genomsnittlig skicklighet jämfört med alla konkurrensprognoser, och två riktmärken inlämnade av den amerikanska regeringen, som är opartiska versioner av det fysikbaserade U.S. Climate Forecasting System. Modellerna var också tvungna att uppnå dämpad uthållighet (vilket indikerar att den data du bidrar med ökar den korrelativa effekten över tid).

"De nuvarande väderförutsägande modellerna kan bara göra prognoser cirka sju till tio dagar före prognosen. Genom att använda maskininlärningstekniker som den vi skapade för den här tävlingen, [den nya modellen] kan hjälpa energiföretag och städer att förbereda sig för svåra stormar mycket längre i förväg, säger Cohen.

Det dynamiska teamet av experter kombinerade historisk igenkänning av vädermönster och maskininlärning för att producera realtidsförutsägelser av temperatur- och nederbördsavvikelser två till sex veckor i förväg för västra USA.

"Vi utnyttjade den nuvarande tillgången på gott om meteorologiska rekord och högpresterande beräkningstekniker för att blanda både fysikbaserade eller dynamiska modeller och statistiska metoder för maskininlärning för att förlänga den skickliga prognoshorisonten från dagar till veckor, säger Cohen.

Kombinationen av maskininlärningstekniker och historiska vädermönsterigenkänning är mycket kraftfull eftersom den kan hjälpa regeringen att maximera vattenresurserna och förbereda sig för naturkatastrofer eller extrema väderförhållanden.

"Det finns verkligen planer på att fortsätta det här projektet, eftersom vi har pratat om att utvidga modellen till hela USA, visade vi med den här tävlingen att det finns potential med den här modellen för att hoppa över prognosprocessen. Det kan hjälpa till att ge mer precision till lägre kostnader i undersäsongsprognoserna, " förklarar Cohen.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.