机器学习可以改进极端天气预警
作者：by Sarah Derouin, American Geophysical Union
由于大气和地表条件的微小变化可能会对未来的天气产生巨大且难以预测的影响，传统的天气预报仅提前约10天发布。更长的预警时间可以帮助社区更好地为即将到来的情况做好准备，特别是像破纪录的极端事件这样的情况。2021年6月美国太平洋西北地区热浪导致列车供电线路熔断、农作物受损以及数百人死亡。
气象学家通常使用伴随模型来确定某一因素的敏感性如何。预测是因为初始条件的不准确。这些模型有助于确定温度或其它变量的微小变化如何影响气候预测。大气水蒸气例如，可能会影响几天后天气预报的准确性。
理解初始条件与预测误差之间的关系使科学家能够进行调整，直到找到产生最准确预测的初始条件集。
然而，运行伴随模型需要巨大的财务和计算资源，并且这些模型只能提前五天测量这些敏感性。研究人员测试了是否一个深度学习方法可以提供一种更简单且更准确的方式来确定10天预报的最佳初始条件。
研究结果是发表在期刊中地球物理研究 letters.
研究人员创建了2021年6月太平洋西北地区的预测热浪使用两种不同的模型：由谷歌深度思维开发的GraphCast模型和由华为云开发的Pangu-Weather模型。
他们将结果进行比较，以确定这些模型的行为是否相似，然后将预测与热浪期间实际发生的情况进行了对比。（为了避免影响结果，在训练预测模型的数据集中没有包含热浪期间的数据。）
研究团队发现，使用深度学习方法来识别最优初始条件，在GraphCast模型中导致10天预报误差减少了约94%。当与Pangu-Weather模型结合使用时，该方法也带来了类似的误差减少效果。团队指出，新方法改进了长达23天的预报精度。
更多信息：Trent Vonich等人，基于深度学习敏感性分析的2021年太平洋西北地区热浪可预测极限研究地球物理研究 letters (2024). DOI: 10.1029/2024GL110651
本文经美国地球物理学会主办的Eos重新发布。阅读原版故事这里.
引用机器学习可以改进极端天气警告（2024年10月11日） 检索于2024年10月11日 从https://phys.org/news/2024-10-machine-extreme-weather.html
本文件受版权保护。除个人学习或研究目的的合理使用外，未经书面许可，不得以任何形式复制。所提供的内容仅作信息用途。
暂无评论