每年6月至9月,南亚季风季节都会给印度次大陆超过10亿人带来大雨。降雨以振荡方式落下:有些星期可以看到 1 到 4 英寸的水,而其他几周则大多是干燥的。预测这些干旱和潮湿时期何时发生对于农业和城市规划至关重要,使农民能够知道何时收获庄稼,并帮助城市官员为洪水做好准备。然而,虽然天气预报大多在一两天内准确,但准确预测一周或一个月后的天气是非常困难的。
现在,一种新的基于机器学习的预报已被证明可以更准确地提前10到30天预测南亚季风降雨,这是对目前使用数值建模而不是人工智能进行预测的最先进预报的重大改进。了解季风行为也很重要,因为这种类型的降雨是全球气候中的主要大气特征。
该研究由福斯特和可可·斯坦巴克环境科学与工程博士后学者研究助理 Eviatar Bach 领导,他在 Tapio Schneider 的实验室工作,Theodore Y. Wu 环境科学与工程教授和 JPL 高级研究科学家;安德鲁·斯图尔特(Andrew Stuart),布伦计算和数学科学教授。一篇描述新方法的论文发表在4月1日的 《美国国家科学院院刊》 上。
“人们非常担心气候变化将如何影响季风和其他天气事件,如飓风、热浪等,”巴赫说。“在较短的时间尺度上改进预测是应对气候变化的重要组成部分,因为我们需要能够改善对这些事件的准备。
预测天气是困难的,因为大气层包含许多不稳定因素——例如,大气层不断从下面的地球加热,导致更热、密度更低的空气上方出现更冷、更稠密的空气——以及由不均匀加热和地球自转引起的不稳定性。这些不稳定性导致了一种混乱的局面,在这种混乱的局面中,大气行为建模的误差和不确定性迅速增加,使得几乎不可能预测未来。
目前最先进的模型使用数值建模,这是基于描述流体运动的物理方程对大气的计算机模拟。由于混乱,大尺度天气的最长可预测时间通常在10天左右。预测大气(即气候)的长期 平均 行为也是可能的,但是预测两周到几个月之间的时间间隔内的天气一直是数值模型的挑战。
在南亚季风中,降雨往往以强烈的爆发周期性下降,然后是干旱。这些周期被称为季风季节内振荡(MISO)。在这项新研究中,巴赫和他的合作者在当前最先进的数值模型中添加了机器学习组件。这使得研究人员能够收集有关MISO的数据,并在难以捉摸的两到四周的时间尺度上更好地预测降雨量。由此产生的模型能够将预测与观测值的相关性提高多达 70%。
“在过去的几年里,人们对使用机器学习进行天气预报的兴趣越来越大,”巴赫说。“我们的工作表明,机器学习和更传统的数值建模相结合可以产生准确的结果。
这篇论文的标题是“使用数据驱动的振荡模式预测改进南亚季风降雨的次季节预测”。除巴赫外,合著者还有乔治梅森大学的 V. Krishnamurthy 和 Jagadish Shukla;波特兰州立大学的萨法·莫特(Safa Mote);马里兰大学的 A. Surjalal Sharma 和 Eugenia Kalnay;以及巴黎高等师范学院、加州大学洛杉矶分校和伦敦帝国理工学院的迈克尔·吉尔。资金由印度地球科学部、美国宇航局和国家科学基金会提供。福斯特和可可·斯坦巴克博士后奖学金支持在全球环境科学领域工作的创新和创造性的早期职业科学家,包括气候适应和缓解、环境微生物学、陆地和海洋生物地球化学、冰川学、古气候学、大气化学和成分、物理海洋学和气候动力学等领域的研究。
新闻旨在传播有益信息,英文版原文来自https://www.caltech.edu/about/news/ai-improves-monsoon-rainfall-predictions