英国气象局主导的一项新研究表明，基于机器学习的天气模型有望彻底改变全球季节性预报。

该研究发表于《npj气候与大气科学》，评估了将机器学习（ML）天气模型应用于全球季节性预报的可行性，对理解全球天气模式极为重要。

季节性预报旨在预测未来三个月的天气状况，能为农业、水资源乃至公共卫生等领域长期规划和决策提供参考。

现有季节性预报方法需多次运行物理模型，分析最可能出现的情景，并评估不同天气状况出现的概率。

由HCCP资助的新研究显示，艾伦人工智能研究所（Ai2）开发的名为ACE2的机器学习模型，性能与现有模型相当，但所消耗算力明显更少。

为评估ACE2季节性预报的准确性，研究人员集合了23个北半球冬季的全球预报数据，与同期物理模型预测结果以及实际观测到的天气状况进行对比。

该预报集合的离散度与现有方法相似，且能准确预测北大西洋涛动。在预测北大西洋冬季涛动时，物理预测模型相关系数通常为0.3至0.6之间，而ACE2的相关系数则达到接近0.5。在此方法中，相关系数越接近1，预报越接近实际观测情况。

然而，ACE2在全球不同地区的性能表现存在差异，且总体上尚未超越现有的传统方法。

尽管ACE2在冬季预报中展现出较强的潜力，但仍存在局限性。

2009年至2010年冬季尤为寒冷，北大西洋涛动数值创历史新低，同时也是英国自1884年有记录以来第八寒冷的冬季。

英国气象局长期预报负责人亚当·斯卡菲表示，ACE2难以预测训练数据之外的天气状况。2009年至2010年的冬季气候异常，由于缺乏来自传统模型的数据，基于机器学习的方案难以预测这种极端情况。

艾伦人工智能研究所气候建模首席研究科学家奥利弗·瓦特-迈耶表示：“随着我们将机器学习突破中期天气预报局限，拓展到季节性预报及更长时间尺度的预报，地球科学领域的机器学习将取得重大进展。重要的是，我们不能仅仅预测大气状况，应开始将海洋及气候系统的其他组成部分纳入其中。”

当前，英国气象局致力于通过融合物理模型和人工智能预报的优势，以安全可靠的方式提升短期和长期预报水平。

（来源：英国气象局官方网站 编译：高宇平 刘淑乔 责任编辑：蒋芷晴）