“数值模式能彻底解决天气预报的问题吗？”3月25日下午，中国科学院院士、北京大学党委常委、副校长张平文，做客北洋数学讲堂。他以问为题，引出人工智能技术在当前天气预报中的应用。
张平文从模式的极限讲起，切入主题。数值模式是目前天气预报最主要的手段之一，由模型（即大气动力系统）和可计算建模模块构成。数值模式受可计算模型影响，初始场，边界条件，参数化方案等都会引入误差，混沌理论又导致数值模式很难进行长时间精准预报，因此数值模式的预报数据往往和实况观测存在系统性偏差。他以冬奥赛区温度预报、特殊场景天气预报为例，说明了数值模式在实际天气预报中存在的局限性。同时，解决天气预报问题也给数学带来很多新概念，例如混沌。
在实际预报业务中，模式预报数据需要结合来自雷达、卫星、气象站、航空等途径的实况观测数据，通过专家参与的天气会商来确定预报结果。“我们的研究目标，就是利用算法将信息和数据融合，通过机器学习后处理代替天气会商，甚至超越天气会商。”张平文引出天气预报中不可或缺的环节——模式后处理。模式后处理机器学习算法的流程，包含对观测数据和模式数据进行特征工程处理，机器学习数据集，机器学习训练和预报，直到预报结果产生。基于服务2022年北京冬奥会的目的，他分享了大量对冬奥赛区站点温度、相对湿度、风速、风向进行预报的研究案例，显示出在温度预报上的显著优势。
最后他介绍了机器学习后处理与统计后处理的不同之处，以及弱机理和准确率的的取舍问题。机理有强弱之分。例如Navier-Stokes 方程、大气动力系统为强机理，能谱理论、湍流模型均是弱机理。天气预报的机理发展经历了由弱到强。从机器学习/深度学习中很难得到天气预报强机理，但机器学习能够从数据中归纳、总结出弱机理。机器学习后处理可以直接提高数值模式预报准确率，具有显著的优越性。
互动环节，张平文解答了人工智能对气候的预测、机器学习对经验参数的优化、社区天气预报与城市模型结合等具体问题。针对传统计算数学数值方法的优势、数据资源获取的建议等问题，张平文分享了他对于做学问和年轻学者研究规划的见解。他认为，做任何学问，选题很重要，而选题往往取决于个人目标和价值观。简洁与美是数学和物理共同的价值观，而做交叉研究解决实际问题也有“落地”的乐趣。
想成为什么样的人就做什么样的学问，从一个人所做的研究也能反观研究者的好恶。张平文的报告流露出他对算法和数学之美的热爱，启发青年人在探寻数学之美和解决实际问题之间做出自己的选择。
文字｜赵亚璁、田文义、谢满庭
图片｜刘丽丽
