人工智能/ 持续报道
本文译自我们的英文版，原始来源保留如下。 阅读英文原文
麻省理工学院研究人员开发出人工智能工具以改善次季节性天气预报
麻省理工学院的研究人员开发了一种名为概率偏差校正（PBC）的机器学习模型，旨在提高两到六周时间范围内的天气预报准确性。这一被称为可预测性沙漠的次季节性范围，历来难以实现可靠预报。这种基于人工智能的后处理层作为现有动力学模型的附加组件发挥作用，通过学习历史错误来优化未来预测。在测试中，该工具使欧洲中期天气预报中心模型的预测能力翻了一番，并在预测寒潮和洪水等极端天气事件方面表现出统计学上的显著改善。
内容概要
要点
- 麻省理工学院研究人员开发了一种名为概率偏差校正（PBC）的人工智能工具，以改善次季节性天气预报。
- 该工具作为一种后处理层，用于纠正现有预报模型中的系统性错误。
- PBC在两到六周范围内使欧洲中期天气预报中心（ECMWF）模型的预测能力翻了一番。
- 该模型在预测极端天气事件方面表现出更高的准确性，而传统偏差校正方法往往难以预测这些事件。
- 该工具是开源的，可应用于各种现有的预报模型。
发生了什么变化
包括来自麻省理工学院、微软和欧洲中期天气预报中心（ECMWF）的研究人员在内的一个团队，引入了一种新的机器学习技术来增强次季节性天气预报。该工具在《自然》杂志上进行了详细介绍，旨在解决两到六周的预报窗口期，这一时期此前以低可靠性为特征。
概率偏差校正（PBC）工具充当现有预报系统的包装器。通过分析历史数据以识别并消除系统性偏差，该模型能够自适应地改进其校正效果。与往往回归平均值的传统偏差校正方法不同，PBC工具保持了对极端天气事件的预测准确性。
可用性
概率偏差校正工具是开源的，且设计为低成本。虽然研究人员利用麻省理工学院的超级计算集群来构建该模型，但最终的系统在运行时并不需要超级计算机。据报道，肯尼亚共和国气象局已表示有兴趣实施该模型，以协助农业规划。
背景与影响
为何重要
改进的次季节性预报可以使能源和农业部门提前数周为极端天气事件做好准备，从而有可能减轻基础设施故障并保护作物产量。
已知信息
- 麻省理工学院研究人员开发了概率偏差校正（PBC）机器学习模型。
- PBC模型提高了两到六周次季节性范围内的天气预报准确性。
- 该模型在测试中使ECMWF预报模型的预测能力翻了一番。
- 该工具是开源的，可应用于各种现有的预报模型。
- 该研究发表在《自然》杂志上。
尚不明确的信息
- 该模型将被全球气象机构采用的程度仍有待观察。
- 该模型在全球所有气候区域的长期表现仍需持续评估。
事件进展
麻省理工学院研究人员发表关于人工智能天气预报工具的研究结果
研究人员在《自然》杂志上宣布开发出概率偏差校正工具，展示了改进后的次季节性预报准确性。
原始来源
查阅来源
本报道的来源
MIT News: AI第一手来源Researchers improve weather forecasts looking two to six weeks out