机器学习在气候谈判智能化中的应用

气候预告是人类熟悉掌握行使天然规律的一项实践运动。随着科技的发展，人类气候预告的能力赓续进步。古人靠经验进行预告，如今发展成行使超级计算机进行数值预告。数值预告是目前最常用和有用的气候预告方法，也是目前我国使用的重要方法。因为数值预告模式输出的气象要素预告与实况存在偏差，在现实发布气候预告前，必要一个必不可少的气候谈判过程（如图1所示）。通过气候谈判，预告员行使预告经验知识结合观测数据对数值预告效果进行校勘，得到最终的气候预告效果。目前，随着气候预告邃密化、格点化的赓续发展，现行的人工气候谈判已知足不了气象预告发展的必要，为了进一步进步预告精度和预告服从，行使合适的模式后处理算法模仿预告员气候谈判的过程，是气候预告智能化和数值预告产品应用研究的重点之一。

图1 气候预告流程示意图（供图：李昊辰）

　　围绕上述题目，北京大学数学科学学院，气象大数据实验室张平文院士课题组与中国科学院大气物理研究所夏江江博士、朱江研究员，以及北京市气象局的王迎春合作，提出了模式输出机器学习(MOML)方法，并用该方法对模式预告进行后处理来得到更加正确的气候预告效果。为了验证该方法的预告能力，研究团队行使MOML方法预告北京地区气温。该效果和ECMWF模式以及模式输出统计(MOS)方法效果进行了比较。数值效果注解，MOML方法的效果比ECMWF模式效果和MOS方法更好，尤其是冬季更显明，分别进步了27.91%和15.52%。

　　特性工程是机器学习算法进行模式预告后处理最紧张的环节之一，特性工程方案的好坏直接影响计算结果，研究团队反复推算，建立了多套特性工程方案，这些方案确保了计算结果，并是首次在气象领域使用。MOML方法让观测数据直接参与到计算中，同时行使到了数据的高频和低频信息，使预告效果更精准。该研究提出的模式输出机器学习方法，将来可应用于2022北京冬奥会气候预告中，为冬奥会提供精准、智能、高效的气候预告服务。

　　气候预告是典型的数据与机理耦合模型题目，将气候预告数据与机理耦合模型纳入到混合计算框架系统中，对观测数据和模式数据的结构和性子进行探索和研究，构建适用于该题目的机器学习算法进行求解，是将来的一个庞大研究方向。

　　以上研究已被《Advances in Atmospheric Sciences》接收并预出版，得到了“科技冬奥”重点专项和国家天然科学基金等项目的共同资助。

　　关键词：温度预告，MOS，机器学习，多元线性回归，随机森林，气候谈判，特性工程，数据结构

　　论文信息：

　　Li, H. C., C. Yu, J. J. Xia, Y. C. Wang, J. Zhu, and P. W. Zhang, 2019: A model output machine learning method for grid temperature forecasts in the Beijing area. Adv. Atmos. Sci., 36(10), https://doi.org/10.1007/s00376-019-9023-z.

　　论文链接：　　http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-019-9023-z