天气预报是人类认识掌握利用自然规律的一项实践活动。随着科技的发展，人类天气预报的能力不断提高。古人靠经验进行预报，现在发展成利用超级计算机进行数值预报。数值预报是目前最常用和有效的天气预报方法，也是目前我国使用的主要方法。由于数值预报模式输出的气象要素预报与实况存在误差，在实际发布天气预报前，需要一个必不可少的天气会商过程（如图1所示）。通过天气会商，预报员利用预报经验知识结合观测数据对数值预报结果进行订正，得到最终的天气预报结果。目前，随着天气预报精细化、格点化的不断发展，现行的人工天气会商已满足不了气象预报发展的需要，为了进一步提高预报精度和预报效率，利用合适的模式后处理算法模拟预报员天气会商的过程，是天气预报智能化和数值预报产品应用研究的重点之一。

图1 天气预报流程示意图（供图：李昊辰）

　　围绕上述问题，北京大学数学科学学院，气象大数据实验室张平文院士课题组与中国科学院大气物理研究所夏江江博士、朱江研究员，以及北京市气象局的王迎春合作，提出了模式输出机器学习(MOML)方法，并用该方法对模式预报进行后处理来得到更加准确的天气预报结果。为了验证该方法的预报能力，研究团队利用MOML方法预报北京地区气温。该结果和ECMWF模式以及模式输出统计(MOS)方法结果进行了比较。数值结果表明，MOML方法的结果比ECMWF模式结果和MOS方法更好，尤其是冬季更明显，分别提高了27.91%和15.52%。

　　特征工程是机器学习算法进行模式预报后处理最重要的环节之一，特征工程方案的好坏直接影响计算效果，研究团队反复推算，建立了多套特征工程方案，这些方案确保了计算效果，并是首次在气象领域使用。MOML方法让观测数据直接参与到计算中，同时利用到了数据的高频和低频信息，使预报结果更精准。该研究提出的模式输出机器学习方法，未来可应用于2022北京冬奥会天气预报中，为冬奥会提供精准、智能、高效的天气预报服务。

　　天气预报是典型的数据与机理耦合模型问题，将天气预报数据与机理耦合模型纳入到混合计算框架体系中，对观测数据和模式数据的结构和性质进行探索和研究，构建适用于该问题的机器学习算法进行求解，是未来的一个重大研究方向。

　　以上研究已被《Advances in Atmospheric Sciences》接收并预出版，得到了“科技冬奥”重点专项和国家自然科学基金等项目的共同资助。

　　关键词：温度预报，MOS，机器学习，多元线性回归，随机森林，天气会商，特征工程，数据结构

　　论文信息：

　　Li, H. C., C. Yu, J. J. Xia, Y. C. Wang, J. Zhu, and P. W. Zhang, 2019: A model output machine learning method for grid temperature forecasts in the Beijing area. Adv. Atmos. Sci., 36(10), https://doi.org/10.1007/s00376-019-9023-z.

　　论文链接：　　http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-019-9023-z