Le previsioni del tempo sono un tipico problema di accoppiamento dei big data con modelli di processo fisico, secondo il prof. Pingwen Zhang, un accademico dell'Accademia cinese delle scienze, Direttore del Laboratorio Nazionale di Ingegneria per l'Analisi dei Big Data e le Tecnologie Applicative, Direttore del Center for Computational Science &Engineering, Università di Pechino. Il prof. Zhang è l'autore corrispondente di uno studio collaborato dell'Università di Pechino e dell'Istituto di fisica dell'atmosfera, Accademia cinese delle scienze.

Parlando in generale, le previsioni del tempo sono una pratica di grande successo nelle geoscienze e, al giorno d'oggi, è inseparabile dalla previsione meteorologica numerica (NWP). Però, perché gli output di NWP e le osservazioni contengono diversi errori sistematici, una "consultazione meteo" è una parte indispensabile del processo per migliorare ulteriormente l'accuratezza delle previsioni.

"Infatti, il modello fisico basato sulla teoria e l'apprendimento automatico basato sui dati sono strumenti complementari. Combinando questi due approcci, un sistema intelligente di consultazione meteo può essere costruito per assistere l'attuale processo manuale di consultazione meteo, " afferma il prof. Zhang. "Una delle sfide legate a questo è quella di creare un'adeguata progettazione delle funzionalità per entrambi i tipi di informazioni per sfruttare appieno i dati".

Per risolvere questi problemi, Il prof. Zhang e il suo team hanno proposto il metodo "model output machine learning" (MOML) per simulare la consultazione del tempo, e questa ricerca è stata recentemente pubblicata in Progressi nelle scienze dell'atmosfera .

MOML è un metodo di post-elaborazione basato sull'apprendimento automatico, che confronta le previsioni NWP con le osservazioni attraverso una funzione di regressione. Per testare il nuovo approccio per le previsioni della temperatura di rete, è stata utilizzata la temperatura dell'aria superficiale di 2 m nell'area di Pechino. Il metodo MOML, con diverse caratteristiche ingegneristiche, è stato confrontato con la previsione del modello ECMWF e il metodo delle statistiche di output del modello modificato (MOS). MOML ha mostrato prestazioni numeriche migliori rispetto al modello ECMWF e MOS, soprattutto per l'inverno; la precisione quando si utilizza MOML è aumentata rispettivamente del 27,91% e del 15,52%.

I dati di consultazione meteo sono unici, e includono principalmente le informazioni contenute sia nei dati del modello NWP che nei dati osservativi. Hanno strutture dati e caratteristiche diverse, il che rende l'ingegneria delle funzionalità un compito complicato. La qualità dell'ingegneria delle caratteristiche influisce direttamente sul risultato finale. Il gruppo di Zhang ha proposto diversi schemi di ingegneria delle caratteristiche a seguito di estesi esperimenti numerici. Questi schemi garantiscono l'efficienza di calcolo e sono stati impiegati per la prima volta negli studi meteorologici. Il prof. Zhang sottolinea che il metodo MOML consente ai dati osservativi di partecipare direttamente al calcolo, e utilizza le informazioni ad alta e bassa frequenza dei dati per rendere più accurati i risultati della previsione. Il metodo MOML proposto in questo studio potrebbe essere applicato alla previsione del tempo durante le prossime Olimpiadi invernali del 2022, speriamo di fornire informazioni più accurate, servizi di previsione meteo intelligenti ed efficienti per questo evento internazionale.

L'apprendimento automatico e il deep learning offrono diversi strumenti per le previsioni del tempo nell'era dei big data, ma ci sono anche molte sfide nelle applicazioni pratiche.

"È un'importante direzione di ricerca futura incorporare i dati delle previsioni meteorologiche e i modelli accoppiati in un framework di calcolo ibrido per esplorare e studiare la struttura e le caratteristiche dei dati osservativi e NWP, e proporre algoritmi di apprendimento automatico basati sui dati adatti alle previsioni del tempo, " Conclude il prof. Zhang.