早期职业气象科学家帮助英国气象局进行高温NBA投注[手机]俱乐部研究

来自雷丁大学的五名博士生在英国气象局的一项新NBA投注[手机]俱乐部研究中发挥了重要作用，这项NBA投注[手机]俱乐部研究可能会改善城市地区热浪的超局部预报。

这篇论文发表在英国皇家气象学会的《气象应用杂志》上，被认为是第一篇NBA投注[手机]俱乐部研究利用公民观测、土地覆盖数据和机器学习来提高超局部水平温度预测准确性的论文。

在澳大利亚气象局的支持下，这项概念验证NBA投注[手机]俱乐部研究NBA投注[手机]俱乐部研究了伦敦从2019年到2021年经历的八次高温事件，并将气象局的天气预报与有质量控制的市民观测和土地利用数据融合在一起，以训练机器学习模型，然后在此期间对“训练过的”系统进行热浪测试。

该NBA投注[手机]俱乐部研究发现，与原始天气预报数据相比，预测城市热浪的机器学习方法将气温预测提高了11%。

此外，机器学习使温度预测的分辨率达到气象局标准业务预测的225倍。使用基于物理的模型预测天气意味着将英国上空的大气划分为大小相等的方格，以便对每个方格进行天气预测。

英国气象局的标准国家尺度预报分辨率为1.5公里，这意味着网格正方形为1.5公里× 1.5公里。作为这项NBA投注[手机]俱乐部研究的一部分，城市温度预测的分辨率仅为100米，这表明了对温度进行超局部预测的潜力，甚至在同一条街道内。

这种方法与市民观测和城市土地覆盖数据相结合，以帮助机器学习，使温度预测能够从以前的事件中学习，并考虑到自然和人为对温度的影响，这些影响在城市中相对较短的距离内可能会发生显著变化。

该NBA投注[手机]俱乐部研究的主要作者、英国气象局城市模型专家刘易斯·布伦说：“我们已经观察到英国极端高温事件的增加，而城市受到的影响最大。”在一个变暖的世界里，机器学习可以用来更好地理解对社区的影响，可以提高复原力，最终拯救生命。

“由于城市地区的复杂性，在超局部尺度上预测城市热量对于操作天气预报模型来说通常是棘手的。通过将有质量控制的市民观测和土地覆盖数据与预测模型和机器学习相结合，本文展示了以更高分辨率增强城市地区温度预测的潜力。

“能够准确预测城市的热量可以帮助决策者更好地了解在热浪期间将资源分配到哪里，从而改善对人类健康和基础设施的保护。使用机器学习将分辨率提高到100米的水平，也将提高创建非常详细的预测的效率，使预测更快，能耗更少。”

该NBA投注[手机]俱乐部研究使用了英国气象局的运行UK Variable预测模型输出，结合来自天气观测网络的质量控制观测以及来自欧洲航天局世界覆盖的土地覆盖信息，在2019年至2021年伦敦高温事件期间训练机器学习模型。然后，这些模型将预测这段时间内其他高温事件的温度。

在读博士生Flynn Ames， Hannah Croad, Adam Gainford， iuan Higgs和Brian Lo在这项NBA投注[手机]俱乐部研究中发挥了关键作用，帮助开发了机器学习技术。

汉娜·克罗德是参与该项目的博士NBA投注[手机]俱乐部研究团队的一员，她说：“这是一个与英国气象局和其他博士生合作的绝佳机会，同时也学习了机器学习及其在天气预报中的应用。”

“作为一个团队，我们都为构建代码做出了贡献，这意味着我们对过程的每一步都有了很好的理解。令人兴奋的是，我们的工作可能为未来的新预测系统提供蓝图。”

另一位团队成员弗林·艾姆斯说：“机器学习在天气和气候科学中的应用正以惊人的速度增长，我们的工作进一步强调了它的广泛适用性。”我们期待在未来的项目中使用我们新获得的技能，探索机器学习在天气预报中的进一步应用。”

该NBA投注[手机]俱乐部研究NBA投注[手机]俱乐部研究了三种不同的可能的机器学习算法，并在同行评议的论文中进行了进一步的详细探讨。如果将英国各地和所有天气条件下的公民观测数据结合起来，机器学习技术可以扩展到在英国城市全年进行超局部预测。NBA投注[手机]俱乐部研究人员还希望这项NBA投注[手机]俱乐部研究能为进一步NBA投注[手机]俱乐部研究机器学习在气象学中的应用提供基础。

作者还证明，随着用于训练机器学习模型的公民观测和热浪数量的增加，机器学习预测变得越好。因此，相信该方法将在未来变得更加强大，因为市民分享他们的天气观测数据的数量正在增加，他们记录的时间长度将不断增加。

这项NBA投注[手机]俱乐部研究的部分资金来自英国气象局天气和气候科学服务合作伙伴印度项目，该项目得到了英国科学、创新和技术部的支持。自然环境NBA投注[手机]俱乐部研究理事会和科学技术设施理事会提供了额外的支持。

布朗，L. P.，艾姆斯，F.，克罗得，H. L.，甘福德，A.，希格斯，I.，利普森，M.，和布莱恩·罗，C. H.。（2024）．机器学习偏差校正和城市热浪温度预测从公里尺度降至百米尺度．气象应用程序，31（3)，e2200．https://doi.org/10.1002/met.2200