传统的基于物理的天气预报，甚至新的人工智能模型往往在两周后变得不太可靠；微软声称已经通过机器学习解决了这个问题。
该公司的研究人员表示，他们已经找到了一种新的、经济高效的方法，可以提前两到六周做出更准确的天气预报；这使得农民和应急响应人员能够更精确地提前计划。研究结果是： 已发表 在今天的杂志上 自然车辆现在 开源软件。
微软加入谷歌 英伟达和其他 开发人工智能工具的公司 用于天气预报。微软在这一领域的最新研究利用机器学习来纠正现有模型中的偏差，而不是构建新的独立天气模型。研究人员希望资源匮乏的气象机构能有一种更容易使用的方式来利用人工智能来提高准确性。
为资源匮乏的气象机构提供一种更便捷的方式，利用人工智能提高准确性
虽然基于物理的建模是一项在超级计算机上运行的资源密集型工作，而生成人工智能依赖于强大的 GPU，但微软新英格兰研究院的高级首席研究员 Lester Mackey 表示，新工具只能在 CPU 上运行。 “我对提高天气预报的资源效率和提高预报的可靠性抱有很大的希望，特别是对于极端天气，”麦基说。 临界点。
当基于物理和基于人工智能的模型开始提前两周或更长时间预测天气时，它们面临着类似的问题。传统模型试图模拟地球大气层的复杂物理现象，而人工智能模型则在历史数据中寻找模式来做出预测。在这两种方法中，模型都依赖于填补数据空白的方法，无论是来自气象站稀疏的地区，还是来自科学家仍在试图理解的复杂大气现象。这些模型填补数据空白的方式可能会成为一种系统偏差。当随着时间的推移做出进一步的预测时，产生的错误会加剧，从而降低这些预测的准确性。
微软将其方法称为概率偏差校正（PBC）。该工具使用机器学习来识别模型中的系统偏差并进行纠正。麦基举的一个例子是纠正气候变化。化石燃料排放的温室气体正在使地球变暖，但天气模型可以根据历史记录进行预测，引导其走向比当今世界实际温度更低的温度。
研究人员发现，PBC 提高了欧洲中期天气预报中心 (ECMWF) 基于物理的领先天气模型 98% 的降水量和 92% 的温度目标的准确性。在研究分析中，机器学习框架还将 ECMWF 的新人工智能预测系统的准确性提高了一倍。在文章发表之前，ECMWF 已经授予了作者关于 PBC 的研究成果。 AI Weather Quest 竞赛。
ECMWF 机器学习战略负责人 Matthew Chantry 在一封电子邮件评论中表示，微软、麻省理工学院、ECMWF 和其他机构的研究人员在 PBC 上发表的这篇新论文是“为了社区的利益和考虑而开发新想法的一个很好的例子”。 临界点。
“一如既往，在运营过程中将想法变为现实是非常具有挑战性的一步，”钱特里补充道。
天气预报所需的计算量和基础设施使得经济发展中国家的许多机构往往无法获得技术进步。但该论文的作者认为 PBC 可能有所不同。该论文的作者之一 Genevieve Flaspohler 表示：“对于像 PBC 这样的模型，真正令我兴奋的事情之一是它们是多么轻量级，它们是多么容易训练，没有大量资源的科学家可以努力配置（这些）模型并使它们在某些区域表现得更好。”
Flaspohler 曾在 PBC 与 Mackey 在微软实习，现在是非营利组织 Rhiza Research 的董事总经理，该机构与肯尼亚气象服务局合作。 融资 来自盖茨基金会的研究，看看人工智能是否可以帮助向人们提供更准确的早期预警。 PBC 是他们在即将到来的雨季之前测试的方法之一，预计雨季会更多。 破纪录的厄尔尼诺现象。