La previsión meteorológica es un problema típico de acoplar big data con modelos de procesos físicos, según el profesor Pingwen Zhang, un académico de la Academia de Ciencias de China, Director del Laboratorio Nacional de Ingeniería para Análisis de Big Data y Tecnología de Aplicación, Director del Centro de Ciencia e Ingeniería Computacional, Universidad de Peking. El profesor Zhang es el autor correspondiente de un estudio colaborado por la Universidad de Pekín y el Instituto de Física Atmosférica, Academia china de ciencias.

Generalmente hablando, La predicción meteorológica es una práctica de gran éxito en las geociencias y, hoy en día, es inseparable de la predicción numérica del tiempo (NWP). Sin embargo, debido a que las salidas de NWP y las observaciones contienen diferentes errores sistemáticos, una "consulta meteorológica" es una parte indispensable del proceso para seguir mejorando la precisión de los pronósticos.

"De hecho, el modelo físico basado en la teoría y el aprendizaje automático basado en datos son herramientas complementarias. Combinando estos dos enfoques, Se puede construir un sistema inteligente de consulta meteorológica para ayudar al actual proceso manual de consulta meteorológica. ", dice el profesor Zhang." Uno de los desafíos relacionados con esto es construir una ingeniería de características adecuada para ambos tipos de información para hacer un uso completo de los datos ".

Para solucionar estos problemas, El profesor Zhang y su equipo han propuesto el método de "aprendizaje automático de modelos de salida" (MOML) para simular la consulta meteorológica. y esta investigación ha sido publicada recientemente en Avances en ciencias atmosféricas .

MOML es un método de posprocesamiento basado en el aprendizaje automático, que compara los pronósticos de PNT con las observaciones mediante una función de regresión. Para probar el nuevo enfoque para los pronósticos de temperatura de la red, Se utilizó la temperatura del aire de la superficie de 2 m en el área de Beijing. El método MOML, con diferentes ingenierías de funciones, se comparó con el pronóstico del modelo ECMWF y el método de estadísticas de salida del modelo modificado (MOS). MOML mostró un mejor rendimiento numérico que el modelo ECMWF y MOS, especialmente para el invierno; la precisión al utilizar MOML aumentó en un 27,91% y un 15,52% respectivamente.

Los datos de consulta meteorológica son únicos, e incluyen principalmente información contenida tanto en datos del modelo de PNT como en datos de observación. Tienen diferentes estructuras de datos y características, lo que hace que la ingeniería de funciones sea una tarea complicada. La calidad de la ingeniería de funciones afecta directamente al resultado final. El grupo de Zhang ha propuesto varios esquemas de ingeniería de características luego de extensos experimentos numéricos. Estos esquemas aseguran la eficiencia del cálculo y se emplearon en estudios meteorológicos por primera vez. El profesor Zhang señala que el método MOML permite que los datos de observación participen directamente en el cálculo, y utiliza la información de alta y baja frecuencia de los datos para que los resultados del pronóstico sean más precisos. El método MOML propuesto en este estudio podría aplicarse para pronosticar el clima durante los próximos Juegos Olímpicos de Invierno de 2022, es de esperar que proporcione más precisión, Servicios de previsión meteorológica inteligente y eficiente para este evento internacional.

El aprendizaje automático y el aprendizaje profundo ofrecen diversas herramientas para los pronósticos meteorológicos en la era del big data, pero también existen muchos desafíos en las aplicaciones prácticas.

"Es una importante dirección de investigación futura incorporar datos de pronóstico del tiempo y modelos acoplados en un marco de computación híbrida para explorar y estudiar la estructura y características de los datos de observación y NWP, y proponer algoritmos de aprendizaje automático basados ​​en datos adecuados para la previsión meteorológica, "Concluye el profesor Zhang.