Väderprognoser är ett typiskt problem med att koppla ihop big data med fysiska processmodeller, enligt prof. Pingwen Zhang, en akademiker vid den kinesiska vetenskapsakademin, Direktör för National Engineering Laboratory for Big Data Analysis and Application Technology, chef för Center for Computational Science &Engineering, Pekings universitet. Professor Zhang är motsvarande författare till en samarbetsstudie av Peking University och Institute of Atmospheric Physics, Kinesiska vetenskapsakademien.

Generellt, väderprognoser är en i stort sett framgångsrik praxis inom geovetenskapen och, Nu för tiden, det är oskiljaktigt från numerisk väderförutsägelse (NWP). Dock, eftersom utdata från NWP och observationer innehåller olika systematiska fel, en "väderkonsultation" är en oumbärlig del av processen för att ytterligare förbättra prognosernas träffsäkerhet.

"Faktiskt, den teoridrivna fysiska modellen och datadrivna maskininlärning är kompletterande verktyg. Genom att kombinera dessa två tillvägagångssätt, ett intelligent väderrådgivningssystem kan byggas för att hjälpa den nuvarande manuella processen för väderrådgivning, ", säger prof. Zhang. "En av utmaningarna kopplade till detta är att bygga lämplig funktionsteknik för båda typerna av information för att dra full nytta av datan."

För att lösa dessa problem, Professor Zhang och hans team har föreslagit "modellutmatningsmaskininlärning" (MOML) -metoden för att simulera väderkonsultation, och denna forskning har nyligen publicerats i Framsteg inom atmosfärsvetenskap .

MOML är en efterbearbetningsmetod baserad på maskininlärning, som matchar NWP-prognoser mot observationer genom en regressionsfunktion. För att testa det nya tillvägagångssättet för rutnätstemperaturprognoser, yttemperaturen på 2 m i Pekingområdet användes. MOML-metoden, med olika funktioner, jämfördes mot ECMWF-modellprognos och modifierad modellutdatastatistik (MOS). MOML visade bättre numerisk prestanda än ECMWF -modellen och MOS, speciellt för vintern; noggrannheten vid användning av MOML ökade med 27,91 % respektive 15,52 %.

Väderkonsultationsdata är unika, och inkluderar huvudsakligen information som finns i både NWP-modelldata och observationsdata. De har olika datastrukturer och funktioner, vilket gör funktionsteknik till en komplicerad uppgift. Kvaliteten på funktionsteknik påverkar det slutliga resultatet direkt. Zhangs grupp har föreslagit flera funktionsteknikscheman efter omfattande numeriska experiment. Dessa system säkerställer beräkningseffektiviteten och användes för första gången i meteorologiska studier. Professor Zhang påpekar att MOML -metoden tillåter observationsdata att direkt delta i beräkningen, och använder både hög- och lågfrekvent information för data för att göra prognosresultaten mer exakta. MOML-metoden som föreslagits i denna studie kan användas för att förutsäga vädret under de kommande vinter-OS 2022, förhoppningsvis mer exakt, intelligenta och effektiva väderprognostjänster för detta internationella evenemang.

Maskininlärning och djupinlärning erbjuder olika verktyg för väderprognoser i big datas era, men det finns också många utmaningar i praktiska tillämpningar.

"Det är en viktig framtida forskningsinriktning att införliva väderprognosdata och kopplade modeller i ett hybridberäkningsramverk för att utforska och studera strukturen och funktionerna i observations- och NWP -data, och föreslå datadrivna algoritmer för maskininlärning som är lämpliga för väderprognoser, " avslutar Prof. Zhang.