中国科学院院士，大数据分析与应用技术国家工程实验室主任，中心主任张平文教授表示，天气预报是将大数据与物理过程模型耦合的典型问题。北京大学计算科学与工程系。张教授是北京大学和中国科学院大气物理研究所合作研究的通讯作者。

一般来说，天气预报在地球科学中是一项很大程度上成功的实践，而且现在，它与数值天气预报(NWP)密不可分。但是，由于NWP和观测的输出包含不同的系统误差，“天气咨询”是进一步提高预报准确性的过程中不可或缺的一部分。

“事实上，理论驱动的物理模型和数据驱动的机器学习是互补的工具。结合这两种方法，可以建立智能天气咨询系统，以协助当前的人工过程进行天气咨询，”张教授说。“与此相关的挑战之一是为两种类型的信息构建适当的特征工程，以充分利用数据。”

为了解决这些问题，张教授和他的团队提出了模拟天气咨询的“ 模型输出机器学习”(MOML)方法，该研究最近发表在大气科学进展中。

MOML是一种基于机器学习的后处理方法，它通过回归函数将NWP预测与观测结果进行匹配。为了测试电网温度预报的新方法，采用了北京地区2米的地面气温。将具有不同特征工程的MOML方法与ECMWF模型预测和修改的模型输出统计(MOS)方法进行比较。MOML表现出比ECMWF模型和MOS更好的数值性能，尤其是冬季; 使用MOML时的准确度分别提高了27.91%和15.52%。

气象咨询数据是独特的，主要包括NWP模型数据和观测数据中包含的信息。它们具有不同的数据结构和功能，这使得特征工程成为一项复杂的任务。特征工程的质量直接影响最终结果。张的小组在广泛的数值实验之后提出了几个特征工程方案。这些方案确保了计算效率，并首次应用于气象研究。张教授指出，MOML方法允许观测数据直接参与计算，并使用数据的高频和低频信息使预测结果更准确。本研究中提出的MOML方法可用于预测即将到来的2022年冬季奥运会期间的天气，希望提供更准确的，

机器学习和深度学习为大数据时代的天气预报提供了多种工具，但在实际应用中也存在许多挑战。

“将天气预报数据和耦合模型纳入混合计算框架，探索和研究观测和NWP数据的结构和特征，并提出适用于天气预报的数据驱动机器学习算法，是未来的重要研究方向，”Prof张总结道。