能预报天气的，除了预报员还有……
一个世纪前，英国数学家刘易斯・弗莱・理查德森（LEWIS FRY RICHARDSON）提出了一个在当时看来令人震惊的想法，那就是构建一个基于数学的系统化过程来预测天气。在他1922年出版的《通过数字过程预测天气》一书中，理查德森试图写出一个方程，可以用它来解决基于手工计算的大气动力学。
但他并没有如愿，主要是因为当时人们对大气科学的了解还远远不够。理查德森自我总结道，也许在并不乐观的未来的某一天，有可能发展出快速而成本低廉的计算。但那是一个梦想。
一个世纪后，现代天气预报正是基于理查德森所想象的那种复杂计算，它们甚至已经变得比他的设想更准确。特别是最近几十年间，研究、数据和计算方面稳步发展。如今，提前两天的暴雨预报已经和20世纪90年代中期的当日预报一样准确。在过去的30年间，飓风的预测轨迹误差已经降低了一半。
但是，仍然有一些重大挑战有待解决，比如，产生龙卷风、大冰雹或大暴雨的雷暴仍然难以预测。还有就是混沌，它们有一个更常见的名字“蝴蝶效应”，也就是说，复杂过程中微小的变化会让天气变幻莫测。混沌限制了我们做出超过10天的精确预测的能力。
然而，正如在许多其他科学领域一样，人工智能和机器学习等工具为天气预测带来了巨大的希望。在一些将机器学习应用在高强度天气的预测的研究中，科学家已经看到了一丝希望的曙光。
但他们同时认为，虽然这些工具为更好的预测开辟了新的可能性，但这项工作中的许多部分仍旧需要由富有经验的人以更熟练的方式处理。
如今，天气预报员的主要工具是数值天气预测模型。这些模型使用了来自气象站、气象气球和卫星等工具的数据，这些工具可以对大气当前的状态进行密切观测，同时模型会基于数据解出那些支配空气运动的方程。
这些模型在预测大多数天气系统方面非常出色，但有趣的是，一个天气事件越小，往往反而越难以预测。我们可以想想一场雷暴，倾盆大雨倾泻在城市的一边，而另一边却风平浪静。人工智能和机器学习可以帮助解决其中一些挑战。预报员现在也会以不同的方式运用这些工具。
在2017年开始的一项研究中，科学家专注于研究那些针对大暴雨的预测。当然，首先的问题就是对“大”的定义，相同的降雨量对不同城市而言可能具有截然不同的含义。研究人员因此通过使用对全美各地极端雨量的观测，以及一个数值天气预测模型的预测历史，来解决这个问题。
团队将这些信息输入一种被称为随机森林的机器学习方法中，这种方法使用了许多决策树来分割大量数据，并预测出不同结果的可能性。结果便带来了一种工具，它可以预测足以产生山洪的暴雨发生的概率。
此后，团队将类似的方法用于预测龙卷风、大冰雹和极端雷雨大风。其他研究团队也正开发类似的工具。他们还在数值天气预测模型中嵌入了机器学习，从而加速处理那些计算量大的任务，比如预测水蒸气如何转化为雨、雪或冰雹。
科罗拉多州立大学-机器学习概率系统（CSU-MLP）对2021年9月大西洋中部各州与艾达飓风残余有关的极端降雨的预测。左图显示的是对8月31日上午的预测概率，在事件发生前的超过24小时。右图显示了产生的过度降雨的观测结果。机器学习程序正确地突出了大范围暴雨和洪水发生的走廊。（图／RUSS SCHUMACHER & AARON HILL, CC BY-ND）
机器学习模型最终有可能完全取代传统的数值天气预测模型。这些系统不是像模型那样解出一组复杂的物理方程，而是处理成千上万张过去的天气图，学习天气系统的行为趋势。然后，使用当前的天气数据，它们会根据过去学到的东西进行预测。
一些研究表明，基于机器学习的预测系统有能力预测一般的天气模式，它们的准确度和数值天气预测模型一样好，但使用的算力却只有模型所需的一小部分。这些新工具还无法预测人们关心的当地天气的细节，但随着许多研究人员仔细测试它们并发明新方法，未来是有希望的。
CSU-MLP对2021年12月15日在美国中西部恶劣天气的预测。图像说明了从提前8天（右下）到提前3天（左上）的发展预测，以及恶劣天气的报告（红色代表龙卷风，绿色是冰雹，蓝色是破坏性大风）。（图／RUSS SCHUMACHER & AARON HILL, CC BY-ND）
与数值天气预测模型不同，使用机器学习的预测系统其实并不受支配大气的物理规律的限制。因此，它们完全可能产生不现实的结果，例如，预测超出自然界范围的极端温度。
并且，目前还不清楚它们在极不寻常或前所未见的天气现象中会有怎样的表现。
同时，依赖人工智能工具总有可能会引发道德方面的关注。例如，如果某一个地方可用于训练机器学习系统的天气观测数据相对较少，那里可能就无法从其他地区的预测改进中受益。
另一个核心问题是，如何最好地将这些新的进展纳入预测中。在理想情况下，人工智能和机器学习可以让人类预报员更有效地完成他们的工作。
在自动化工具和人类专家预报员的知识之间寻找一种适当的平衡，长期以来一直是气象学的一个挑战。而飞速的技术进步只会让这个问题变得更加复杂。
