研究人员使用统计数据和人工智能方法来纠正天气模型的系统错误

更好地保护人类和环境需要对极端天气现象(例如冬季风暴)进行精确预报。卡尔斯鲁厄理工学院 (KIT) 的研究人员现在比较了统计和机器学习方法对阵风的预测，以期使预测更加准确和可靠。他们发现，将地理信息和其他气象变量(例如温度)考虑在内，可以显着提高预测质量，尤其是在使用基于神经网络的现代 AI 方法时。

强风阵风，例如时速超过 65 公里的暴风雨，可能会造成严重破坏，并对人类、动物和基础设施造成危险。为了发布有效的预警，需要早期和可靠的预报。KIT 随机研究所的博士研究员 Benedikt Schulz 说：“阵风很难建模，因为它们是由小规模过程驱动的，并且在当地受到限制。” “他们对气象服务所使用的数值天气预报模型的可预测性是有限的，并且受到不确定性的影响。”

为了更好地估计预测的这种不确定性，气象学家进行集合预测。根据大气的当前状态，他们针对略有不同的条件并行进行了多个模型计算。通过这种方式，涵盖了各种未来的天气发展情景。“然而，尽管不断改进，但这种综合天气预报仍然存在系统误差，因为模型无法考虑当地的时间变化条件，”舒尔茨解释说。“在人工智能的帮助下，我们希望纠正这些系统性错误，改进预测，更可靠地预测危险的天气现象。”

地理信息和附加气象变量改进了阵风预报

Schulz 与 Sebastian Lerch 博士一起首次比较了不同的统计数据和 AI 方法，用于对阵风集合预报进行后处理。“我们分析了数值天气预报统计后处理的现有和新方法，并系统地比较了它们的预测质量，”Lerch 说。他领导了由 KIT 经济政策研究所矢量基金会资助的初级研究小组“概率天气预报的人工智能方法”。

发现所有后处理方法都能产生可靠的阵风速度预测。“然而，人工智能方法远远优于经典统计方法，并产生更好的结果，因为它们可以更好地考虑新的信息来源，例如地理条件或其他气象变量，例如温度和太阳辐射，”Lerch 总结道。“人工智能方法平均将天气模型的预测误差减少了约 36%，”舒尔茨补充道。研究人员分析了德国气象局 (DWD) 的天气模型在德国 175 个观测站所做的预测，发现人工智能方法在超过 92% 的观测站产生了更好的预测。神经网络可以从可用的大数据集中学习复杂的非线性关系。这在纠正集合预报的系统误差时起着核心作用。“分析哪些信息与这些方法特别相关，还可以得出有关气象过程的结论，”舒尔茨说。

通过他们的工作，研究人员为统计和人工智能接口的天气预报方法的发展做出了贡献。“气象服务部门可能会使用这些方法来改进他们的预测，”Lerch 说。“为此，我们与德国和其他国际气象服务部门保持密切联系。”