Does Feature Engineering Improve Meteorological Predictions Across Asia?

我们上方的空气从未静止。它在热量、水分和压力的混沌舞动中移动、旋转并作出反应，这决定了农作物的生死或城市是否需要抵御风暴。几十年来，科学家们一直试图利用大规模计算机模型来预测这些运动，这些模型模拟了大气的物理特性。尽管这些模拟功能强大，但运行成本极高，且有时难以应对局部天气的复杂性。近年来，一种不同的方法逐渐占据了上风：使用机器学习。这些是能够从海量历史气象数据中学习模式的计算机程序。然而，这里有一个问题。如果你只给机器学习程序输入原始数字——比如某一时刻记录的温度或风速——它往往会忽略大局。它无法意识到今日的天气与昨日有着深刻的联系，也无法理解季节遵循着可预测的循环。为了解决这个问题，科学家们使用了一种称为“特征工程”的技术。这是手动为计算机创建新线索的过程。他们不仅仅提供温度，还可能提供三天前的温度，或者计算温度与湿度如何相互作用。其希望在于，这些额外的线索能帮助计算机更好地理解天气。但一个悬而未决的问题仍然存在：增加更多线索总是会有帮助，还是有时会干扰机器？

来自伊朗及亚洲其他大学的一个研究小组致力于在大规模范围内回答这个问题。他们没有只观察单一城市或单一类型的天气；相反，他们研究了整个亚洲大陆，这是一个地理环境多样且气候迥异的地区，从寒冷的北方一直延伸到闷热的热带。他们收集了来自1,634个不同气象站的每日天气记录，时间跨度达二十四年。他们的目标是测试十五种不同的数据准备方法。有些方法很简单，仅仅是加入日期或星期几。另一些则很复杂，通过将不同的天气因素相乘或计算过去一周天气变化的方式来创建新变量。他们针对八种不同的天气变量进行了测试：温度、湿度、气压、风速、云量、降水量以及每日最高温和最低温。他们使用了一种名为“随机森林”的标准机器学习模型，以观察哪种数据准备方法能产生最准确的预报。

结果令人惊讶，并揭示了并没有一种单一的“最佳”天气数据准备方式。研究人员发现，添加工程化特征在不到一半的测试案例中提高了预测精度。事实上，在大约42%的站点与变量组合中，额外的线索带来了统计学上的显著差异。但在其余情况下，这些额外的工作要么是徒劳的，在某些情况下甚至是有害的。研究表明，正确的方法完全取决于你试图预测什么以及你在哪里进行预测。例如，在预测气压时，最复杂的方法效果最好。通过包含每一个可能的线索，从一年中的时节到前几天的气压读数，该模型将整个大陆的预测误差降低了41%–42%。这可以理解，因为气压的变化缓慢且具有规律性，所以计算机受益于拥有长期的历史数据进行研究。

然而，对于极端温度，情况则大不相同。当研究人员尝试预测每日最高温或最低温时，添加复杂的特征往往会让模型的表现变差。在关于最低温的近半数案例中，最简单的方法——即仅使用原始数据而不进行任何工程处理——是最准确的。研究人员认为，对于这些特定的极端情况，基础数据本身已经包含了所有必要的信息，添加更多层级的复杂性只会引入噪声，从而使计算机感到困惑。同样，对于湿度和风速，简单的基于时间的线索（如知道月份或星期几）通常就足够了。最复杂的方法对这些变量几乎没有带来任何益处。

气象站的位置也起到了至关重要的作用。研究人员发现了一个从热带向北移动的清晰模式。在东南亚和印度等温暖的热带地区，预测温度和云量的最成功方法是创建“交互特征”。这些是数学上的组合，让计算机能够看到温度和湿度是如何协同工作的，这在陆地与空气相互作用复杂的气候中至关重要。但当他们向北进入西伯利亚和哈萨克斯坦等寒冷地区时，这些复杂的相互作用变得不再那么有用。在这些高纬度地区，简单的基于时间的特征就足够了。研究还发现，降水量是最难通过改进来提升的变量。没有任何一种方法能在所有地方都表现良好，且改进往往是微小且零散的，这反映了降水本身具有不可预测的本质。

最终，这项研究为任何使用机器学习进行天气预报的人提供了清晰的路线图。它证明了“通用解决方案”的想法是一个神话。你不能简单地将同一套数据技巧应用于每一个天气问题并期望它奏效。最好的策略是具备针对性：为气压使用复杂且全面的数据集；依靠简单的时刻标记来处理湿度和风速；并在预测极端温度时避免过度复杂化。此外，预测的地点与变量本身同样重要。在热带雨林行之有效的方法在温带平原可能会失效。通过理解这些细微差别，科学家可以构建出不仅更聪明，而且对数据所能及、所不能及之处更加诚实的模型。研究结论指出，未来天气预报的关键不在于为了复杂而增加复杂度，而在于为正确的地点和正确的工作选择合适的工具。