哥伦比亚大学运用机器学习实现精准预测极端天气

随着极端天气事件的增加，在我们日益变暖的气候中，准确的预测对我们所有人来说都变得越来越重要，从农民到城市居民，再到世界各地的企业。迄今为止，气候模型未能准确预测降水强度，尤其是极端情况。虽然在自然界中，降水量可能变化很大，有许多极端的降水量，但气候模型预测精准度明显不足。

当前算法中缺失的部分：云组织

研究人员一直在努力开发提高预测准确性的算法，但正如哥伦比亚工程大学气候科学家报告的那样，传统的气候模型参数化中缺少一条信息——这是一种描述云结构和组织的方法，其规模太小，无法在所使用的计算网格上捕捉到。这些组织测量影响降水强度及其随机性的预测，即降水强度随机波动的可变性。到目前为止，还没有一种有效、准确的方法来测量云结构并量化其影响。

由人工智能与物理学习地球中心（LEAP）主任Pierre Gentine领导的一个团队的一项新研究，利用全球风暴解析模拟和机器学习创建了一种算法，可以分别处理两种不同规模的云组织：一种是由气候模型解析的，另一种是由于太小而无法解析的。这种新方法解决了传统气候模型参数化中缺失的信息，并提供了一种更准确地预测降水强度和变异性的方法。

“我们的发现尤其令人兴奋，因为多年来，科学界一直在争论是否将云组织纳入气候模型，”地球与环境工程系和地球环境科学系地球物理学教授、数据科学研究所成员Gentine、Maurice Ewing和J.Lamar Worzel说。“我们的工作为这场辩论提供了答案，也为纳入组织提供了新的解决方案，表明纳入这些信息可以显著改善我们对降水强度和可变性的预测。”

利用人工智能设计神经网络算法

与Gentine合作的博士生Sarah Shamekh开发了一种神经网络算法，该算法可以学习精细尺度云组织（未解决尺度）对降水作用的相关信息。由于Shamekh没有预先定义度量或公式，该模型本身就隐含地学习了如何测量云的聚集，这是一种组织度量，然后使用这个度量来改进降水的预测。Shamekh在高分辨率湿度场上训练算法，对小规模组织的程度进行编码。

Shamekh说：“我们发现，我们的组织指标几乎完全解释了降水变化，可以取代气候模型中的随机参数化。包括这些信息显著改善了与气候模型相关的降水量预测，准确预测了极端降水量和空间变异性。”

机器学习算法将改善未来预测

研究人员现在正在气候模型中使用他们的机器学习方法，该方法隐式学习子网格云组织度量。这将大大改进对降水强度和可变性的预测，包括极端降水事件，并使科学家能够更好地预测气候变暖时水循环和极端天气模式的未来变化。

未来工作

这项研究还为调查开辟了新的途径，例如探索降水创造记忆的可能性，在这种记忆中，大气保留了有关最近天气条件的信息，这反过来又影响了气候系统中后来的大气条件。这种新方法可能有广泛的应用，不仅仅是降水建模，包括更好地模拟冰盖和海洋表面。