新研究利用人工智能和机器学习来改进季节性天气预报

林肯大学、谢菲尔德大学和雷丁大学的一组研究人员开发了一种新方法来改进对英国和西北欧季节性天气状况的预测。

该模型提供了一个强大的工具，可以更好地了解大气环流的变化以及做出更准确的季节性天气预报。它还可能使许多行业受益，包括农产品、能源、休闲和旅游业。

该研究发表了两篇论文，一篇发表在《气象应用》上，另一篇发表在《国际气候学杂志》上。

为了预测西北欧的季节性天气，主要天气预报中心目前依赖昂贵的超级计算机模型。为了补充这些传统方法，该小组使用了一种称为 NARMAX(具有外生输入的非线性自回归移动平均模型)的人工智能和机器学习方法来预测北大西洋急流和大气环流的状态，这两者都与地表密切相关。气温和降水异常。

NARMAX 已成功应用于许多其他研究领域，在本例中，对夏季和冬季以及通常影响北大西洋地区和随后的西北欧季节性天气的几种不同空气循环模式进行了早期预测。

研究结果显示两个季节和所有三种循环模式的准确性都很高。这一点很重要，因为传统且更昂贵的超级计算机模型很难准确预测该地区夏季的季节性大气条件，往往会低估两个季节的逐年变化。

此外，NARMAX方法还被用来分析大气环流变化的可能原因。这些信息可用于解释并帮助改进超级计算机模型的输出。

这一突破可能在改善季节性预报方面发挥至关重要的作用，并为未来天气预报模型的开发提供信息，特别是在夏季。

林肯大学博士后研究员 Ian Simpson 博士评论道：“我们已经证明了欧洲西北部的环流和急流模式与季节性表面天气条件之间的密切联系。

“因此，在使用 NARMAX 模型对环流模式进行季节性预测后，我们可以将其转化为对西北欧季节性天气模式的预测，例如温度和降水异常，这将引起不同利益相关者的兴趣。

“例如，提供更准确的季节性预测将有助于农业食品工业，帮助农民了解当季可能的产量，以及如何最好地优化作物系统和收获计划。”

林肯大学气候科学和气象学教授爱德华·汉纳补充道：“这是一个令人兴奋的项目，汇集了气象科学和机器学习领域的不同学科和专家，旨在改进季节性天气预报并将结果应用于终端用户。

“我们发表的论文证明了 NARMAX 建模的巨大潜力，可以在帮助完善下一代超级计算机预测模型(历史上一直需要大量计算)以及增强季节性预测方面发挥重要作用。”

谢菲尔德大学助理研究员孙一鸣博士表示：“我们开发并应用了 NARMAX 机器学习方法来预测北大西洋大气环流和急流的季节性状态。

“与动态模型相比，该模型表现出高度的预测准确性。因此，NARMAX 可用于帮助提高季节性预测技能并为动态超级计算机模型的开发提供信息。”