谷歌的LOON项目中提高平流层底部风场预测能力的方法
——利用统计后处理方法改进气象模型
作者 Salvatore Candido，编译：张晓军博士
谷歌的loon项目已经取得了令人瞩目的进展，正在肯尼亚和加拿大寻求商业化变现之路，而在之前，loon项目的研究成果很少出现在学术论文中，loon项目使用的高空超压气球在平流层底部随风飘荡，依靠对风场的精准预测对气球进行导航。本文是loon的技术总监Candido在一次学术会议上的分享，我们得以对loon气球的风场预测技术窥豹一斑。
在美国地理协会（AGU）秋季的一次会议上，我们做了一个关于利用Analog Ensemble方法（AnEn）改进平流层底部风场预测的演讲，这个方法是在与Luca Delle Monache 和Aakanksha Sing 合作的基础上提出的。
Google的Loon高空气球项目利用欧洲中期天气预报（ECMWF）的高精度预测模型（HRES）帮助Loon气球在平流层进行导航，这个以物理量为基础的模型是目前世界上用于平流层风场预测的最好模型。总体上来说，ECMWF的HRES模型和其他的流行的数值预测模型是科学和工程的神奇的产物。气象预测是一个很难解决的问题，随着学习的深入，我就越对这个领域中其他人的工作感到叹服。
我们的方法就是将物理模型HRES的输出结果与用统计学习方法相结合，并（希望可以）提高最终的预测效果。与单独使用物理模型的预测方法相比较，这个方法利用高质量的物理模型的并通过学习历史数据来改进预测基准。
实际上，我们的实验表明这个新的方法可以显著地提高Loon气球飞行在特定区域和时间范围内的风速和风向预测水平。2019年，当Loon气球在肯尼亚发放时，我们的焦点关注在热带纬度（从-20度到+20度的一个纬度带）。利用这个方法，我们已经预测了Loon气球周围的风场并且外推出气象短期趋势，我们目前感兴趣的是在更长的的时间尺度上进行气象预测。
下图显示了我们实验中的关键结果。我们将这个方法用于过去一年的HRES模型的预测产品，结果显示在热带地区的一定周期内，利用我们的方法（AnEn），CRMSE提高了2～20%。我们的方法可以维持或者提高预测结果和实际结果之间的相关性。
这段时间内，利用Loon平流层气球获取了近50万条风场数据记录，我们可以确定这种结合了ECMWF和Loon气球后处理的系统可以更好的对平流层风场进行预测。
Analog Ensemble （AnEn）方法并不是一个新的预测处理方法，很多成功的应用实例已经被报道【1】.这项技术依赖于在历史数据中找到相似的部份并与物理模型的预测结果相比较，继而（利用虚拟的后处理功能）查看当前实际发生的状况。这就类似于当你的朋友告诉你他会5分钟以后到，通过一段时间的观察，你会发现他通常会迟到15～22分钟. 为了提高预测的准确性，我们需要考虑更多的影响因素，例如是哪位朋友，他们从哪里来，交通状况如何等，而这些因素会导致预测系统变得更为复杂。
除了有一个良好的理论基础外，我们相信其他研究团体会因为以下两个原因而对这个方法感兴趣：
（1） 我们成功地将这项技术应用于一个新的领域（三维网格内的平流层风场预测），就作者目前所知，这是首次实例应用。
（2） 我们应用这个方法所预测的尺度和速度与以前文献中报道的都不一样。
特别是我们可以利用这个系统提高模型的全球气象预测能力，并且在最长为30分钟的时间间隔范围内（这个间隔可以更小），可以对ECMWF的物理模型预测的产品进行后处理并将预测结果用于Loon气球的导航系统。这个间隔对于实时操作系统很重要，因为数据的更新率越高，模型预测的准确性也就也高。
我们利用Google云服务的分布式数据中心的计算能力快速地处理大量的数据：在平流层任意位置的预测结果与过去几年所有的预测进行对比并找到相似的结果。
这种分布式结构对于训练系统进行相似性分析很重要，这种相似性随着地点和时间的不同而变化。下面的图例说明了当在一个特定的跨全球的高度上进行风速相似性分析的时候，这种分布式结构的重要性。后面的动画显示了随着时间的不同，这个参数也在随之改变。
我们的这个方法目前还不能广泛应用到所有的气象预测应用中。例如，我们还不能提供世界范围内的短期气象预测（见下图）。这是因为物理模型在其预测中无法累加误差，因此后处理方法在这时提供的数据也很少。针对这点我们还在持续改进过程中。
随着深度神经网络在各个方面的广泛应用，随之而来的一个问题是上述所有的学习过程是否可以放在一个黑盒子里，端对端地进行。就作者目前所知，其他文献里还没有完整的报道—虽然有些尝试取得了一定的成果。
目前我认为，这种以AnEn为基础的方法可以视为一种有效的手段，用来防止在进行涉及多参数与模型无关（Model-free）的后处理过程中出现的过拟合现象，从而可以提高物理模型的预测水平。我们的研究方向之一就是将我们目前的这个方法与其他机器学习方法（例如深度学习）相结合，以便在不导致过拟合和预测能力下降的情况下提高学习能力。
我们目前正在准备一篇论文，我们期望通过这篇论文与其他研究者分享我们的方法。感谢AGU提供这个场合让我们可以讨论我们的研究结果并且收到其他研究者的反馈和建议。
参考文献
【1】Delle Monache, Luca, F. Anthony Eckel, Daran L Rife, Badrinath Nagarajan, and Keith Searight. “Probabilistic weather prediction with an analog ensemble.” Monthly Weather Review 141, No. 10 (2013): 3498-3516
近期热门文章：
0、亦敌亦友 | 谷歌的Loon子公司将目光投向了卫星产业！
2、我国太阳电池高空标定取得新突破 一个气球对深空探测做出大贡献