Microsoft 发布 Probabilistic Bias Correction 机器学习工具改进中长期天气预报

传统的基于物理的天气预报，甚至新的人工智能模型，通常在两周之后就会变得不太可靠，微软声称已利用机器学习解决了这一问题。

Researchers with the company say they’ve found a new, cost-effective way to make more accurate weather forecasts two to six weeks in advance — allowing farmers and emergency responders to plan ahead with greater certainty. The findings were published today in the journal Nature, and the tool is now open-source software.

Microsoft加入了Google、Nvidia和其他开发天气预报AI工具的公司的行列。Microsoft在这一领域的最新研究并没有创建一个全新的独立天气模型，而是利用机器学习来纠正现有模型中的偏差。研究人员希望，对于资源紧张的气象机构来说，这是一种利用AI提高预报准确度的更易行的方式。

这能为资源有限的气象机构提供一条更容易上手的途径，借助 AI 提升预报准确度

基于物理的建模是在超级计算机上运行且资源消耗巨大的工作，而生成式AI则依赖于强大的GPU，但Microsoft Research New England的高级首席研究员Lester Mackey表示，这个新工具只需在CPU上即可运行。“我对天气预报资源效率的提升以及预报可靠性的延长都抱有很大希望，尤其是对极端天气而言，”Mackey告诉The Verge。

基于物理的模型和基于 AI 的模型在预测两周或更长时间之后的天气时，会遇到类似的问题。传统模型试图模拟地球大气复杂的物理过程，而 AI 模型则通过寻找历史数据中的规律来进行预测。在这两种方法中，模型都依赖近似值来填补数据空缺——无论是来自气象站稀少的地区，还是来自科学家仍在努力理解的复杂大气现象。模型弥补这些数据空缺的方式可能会成为一种系统性偏差。在预测更远的未来时，这些误差会不断累积，使预测变得不够精确。

微软将其方法称为概率偏差校正（Probabilistic Bias Correction，PBC）。该工具利用机器学习来识别模型中的系统性偏差并进行校正。Mackey 举的一个例子是对气候变化进行校正。化石燃料产生的温室气体排放正在使地球变暖，但天气模型可能会基于历史记录进行预测，这会使它偏向比当今世界实际温度更冷的数值。

研究人员发现，PBC将欧洲中期天气预报中心（ECMWF）一个领先的基于物理的天气模型的准确度在98%的降水目标和92%的温度目标上都有所提升。在该研究的分析中，这个机器学习框架还将ECMWF新AI预报系统的准确度提高了一倍。在该论文发表之前，ECMWF已在AI Weather Quest竞赛中表彰了作者们关于PBC的研究。

由微软、麻省理工学院、ECMWF 及其他机构的研究人员发表的这篇关于 PBC 的新论文，“是为社区的利益和参考而开发新思想的一个很好范例”，ECMWF 机器学习战略负责人 Matthew Chantry 在发给《The Verge》的电子邮件评论中表示。

“一如既往，将想法变为现实[落实]到可运行的流程中是最具挑战性的一步，”Chantry 补充道。

天气预报所需的算力和基础设施，常常让经济欠发达国家的许多机构难以获得技术进步的成果。不过，这篇论文的作者们认为 PBC 可能有所不同。“像 PBC 这样的模型真正令我兴奋的一点是它们有多轻量、多容易训练，那些没有庞大资源池的科学家也可以尝试配置[这些]模型，让它们在特定地区表现更好，”论文作者之一 Genevieve Flaspohler 说道。

Flaspohler 曾作为微软的实习生与 Mackey 一起参与 PBC 的研发，如今她是非营利组织 Rhiza Research 的执行主任，该组织正与肯尼亚气象局合作——并获得了盖茨基金会的 资助——以探讨 AI 能否帮助向民众发出更准确的预警。在预计将于 破纪录的厄尔尼诺现象期间到来的更为极端的雨季之前，PBC 是他们正在测试的方法之一。

关注本文的主题和作者，以便在您的个性化首页信息流中看到更多类似内容，并接收电子邮件更新。

• Justine Calma