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、中心主任张教授表示，天气预报是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。张教授是北京大学与lasg合作研究的通讯作者。

总的来说，天气预报在很大程度上是地球科学的一个成功实践，现在它离不开数值天气预报(NWP)。然而，由于NWP和观测的输出包含不同的系统误差，“天气咨询”是进一步提高预报精度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相辅相成的工具。将这两种方法结合起来，就可以建立一个智能天气咨询系统，辅助目前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这两类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用于天气模拟咨询的“模型输出机器学习”()方法，该方法最近发表在《大气科学进展》上。

MOML是一种基于机器学习的后处理方法，通过回归函数将NWP预测与观测结果进行匹配。为了检验电网温度预测的新方法，采用了北京地区2米的地温。将具有不同特点的工程MOML方法与ECMWF模型预测和修正的模型输出统计方法进行了比较。MOML表现出比ECMWF模型和MOS更好的数值性能，尤其是在冬季。使用MOML的准确率分别提高了27.91%和15.52%。

气象咨询数据具有独特性，主要包括NWP模式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。特色工程的质量直接影响最终效果。经过大量的数值试验，张团队提出了几个有特色的工程方案。这些方案保证了计算效率，并首次应用于气象研究。张教授指出，方法允许观测数据直接参与计算，利用数据的高频和低频信息，使预测结果更加准确。本研究提出的MOML方法可用于预测即将到来的2022年冬奥会期间的天气，希望能提供更准确、

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诸多挑战。

“将天气预报数据和耦合模型纳入混合计算框架，探索研究观测和NWP数据的结构和特征，提出适合天气预报的数据驱动机器学习算法，是未来重要的研究方向，”张教授总结道。