一种新的机器学习模型可以提高当地天气预报的准确性，这一进步可能会特别改变低收入政府和社区的生活。
问题在于，由于复杂的物理学驱动强降水和极端天气事件，开发准确的区域预报是出了名的困难。 区域预测需要超级计算机和训练有素的当地从业人员，因此只有富裕的政府和社区才能使用。
为了解决这个问题，初创公司 ClimateAi 的数据科学家和研究人员开发了一种机器学习模型，可以将区域预测民主化到无与伦比的程度。 该模型纠正了当前全球天气模型中存在的偏差，并提供准确的本地预报，而不受当前预报系统传统且昂贵的限制。
该团队关于该模型的研究已经过广泛的同行评审，并将在 3 月下旬的第 25 届人工智能与统计国际会议 (AISTATS) 上发表。
事实证明，挑战的核心是解决问题。 未来几天的传统天气预报分辨率非常低，因此无法捕捉当地的极端事件。 近年来使用的一种替代方法是利用持续观察来预测当地天气长达几个小时。
当涉及到极端天气事件时，此类预报的效用是有限的。 解决办法是提高那些相当准确的传统预测的分辨率。
牛津大学的 ClimateAi 首席数据科学家 Stephan Rasp 博士和 Ilan Price 开发了一种创新的机器学习方法。 它使用经过全球天气预报训练的生成对抗网络 (GAN) 来纠正当前天气模型中存在的偏差。 新模型将全球预测缩小到与本地预测一样准确，而不需要以前为如此小的规模所需的大量计算、财务和人力资源。
Rasp 博士指出：“除了近期改进‘临近预报’的一系列活动之外，我们的新模型在几小时到几天的时间范围内实现了相同的预测准确性。” “通过采取双重方法，我们可以解释全球模型中的系统误差并提高预测的分辨率，以便准确捕获区域极端情况。”
通过消除当前预报系统的成本高昂的限制，包括需要训练有素的气象学家通过复杂的模型提供信息，这项新技术可能会给无法负担高分辨率本地预报技术的社区带来福音。
这在实践中是什么样子的？ ClimateAi 提出了一个场景，在这个场景中，新模型不是简单地确认整个地区“本周下雨的可能性为 40%”，而是让用户能够轻松回答更有用的问题，例如：
明天下雨和不下雨的可能性有多大？
具体哪里会下雨？
如果下雨，是会下个毛毛雨，只在一个地方下雨，还是在很多地方下雨，而其他地方却在下毛毛雨？
研究人员指出，粗略的大规模预测隐藏了这些问题的答案。
“人工智能和机器学习的突破正在改变天气预报，资源密集型区域天气模型可能很快就会被机器学习方法完全取代，”Rasp 博士补充道。 “可行的预测将支持企业和政府寻求气候保护他们的举措和运营。”
当然，新模型也符合 ClimateAi 更广泛的业务目标，即通过可操作的情报帮助企业更好地管理气候风险。 在气候变化导致极端天气增加的时代，这家位于旧金山的公司致力于帮助供应链避免代价高昂的中断。
