賀潔穎 唐偉 周勇 沈文海

一 、人工智能在氣象領(lǐng)域應(yīng)用簡介

始于20世紀50年代的人工智能經(jīng)過多年的演進，現(xiàn)已發(fā)展成一門涵蓋計算機科學、統(tǒng)計學、腦神經(jīng)學、社會科學等諸多領(lǐng)域的交叉學科。氣象是一門典型的數(shù)據(jù)分析應(yīng)用學科，其和人工智能的淵源已久。早在人工智能萌芽期，國內(nèi)外氣象專家就已開始探索將人工智能技術(shù)應(yīng)用于氣象預報相關(guān)研究中。

國外氣象領(lǐng)域?qū)θ斯ぶ悄艿难芯亢蛻?yīng)用自20世紀80年代就開始開展，40年來已有很多可借鑒的成果。強風暴天氣（主要包括破壞性直線大風、龍卷和冰雹災(zāi)害）每年會造成嚴重的經(jīng)濟損失和人員傷亡，一直是氣象災(zāi)害預測研究的重點和難點。國外有很多應(yīng)用機器學習算法針對強風暴開展研究的成果，如采用前饋神經(jīng)網(wǎng)絡(luò)方法對單個風暴單體來預測發(fā)生直線大風或龍卷風的概率，采用逐步回歸正向選擇法預測強風暴，采用樸素貝葉斯分類器方法來預測強風暴。一些研究針對直線大風的預測進行專門的研究，如采用模糊標簽神經(jīng)網(wǎng)絡(luò)方法針對強風暴中的直線大風進行預測，采用隨機森林和梯度提升決策樹方法對直線大風進行預測。一些研究采用梯度提升決策樹、隨機森林、彈性網(wǎng)絡(luò)方法等研究風暴持續(xù)時間、冰雹發(fā)生概率的預測。

此外，在清潔能源預測、航空湍流臨近預報、云的分類和降水估計等領(lǐng)域也有不少應(yīng)用機器學習方法開展的研究。如采用人工神經(jīng)網(wǎng)絡(luò)、自回歸移動平均模型、支持向量機、回歸樹、相似集合方法對風速、風能、太陽輻照度等進行預測。一些研究采用模糊邏輯、隨機森林算法等開展航空湍流的臨近預報研究。一些研究采用人工神經(jīng)網(wǎng)絡(luò)方法、多參數(shù)支持向量機方法、分層K均值聚類方法等針對衛(wèi)星資料開展云分類和降水估計研究。還有一些研究采用神經(jīng)網(wǎng)絡(luò)方法、模糊邏輯方法等開展氣象數(shù)據(jù)融合和數(shù)據(jù)提取的研究，在氣象預報業(yè)務(wù)上發(fā)揮了很好的作用。

我國氣象領(lǐng)域?qū)θ斯ぶ悄軕?yīng)用的歷史也可以追溯到 20世紀80年代到90年代。當時的特點主要是初級專家系統(tǒng)在氣象災(zāi)害預測上的應(yīng)用和人工神經(jīng)網(wǎng)絡(luò)方法在暴雨預報、云的識別等方面的應(yīng)用。在2000年以后也陸續(xù)有一些研究，如采用遷移學習、遺傳算法、模糊聚類、人工神經(jīng)網(wǎng)絡(luò)、支持向量機等方法對氣象衛(wèi)星云圖進行云的識別和分類，采用人工神經(jīng)網(wǎng)絡(luò)、隨機森林、支持向量機等犯法對氣象衛(wèi)星資料進行降水估計和降水分類。還有一些研究基于氣象衛(wèi)星、環(huán)境衛(wèi)星、陸地衛(wèi)星資料，采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機、模糊邏輯、決策樹、貝葉斯方法等開展的氣象資料反演、災(zāi)害性天氣識別、生態(tài)監(jiān)測、數(shù)據(jù)融合和提取等研究。

2006年，隨著深度學習的出現(xiàn)和取得的研究進展，人工智能在全球掀起第三次浪潮，并行計算、大數(shù)據(jù)等的發(fā)展使得人工智能技術(shù)展現(xiàn)了巨大的應(yīng)用潛力。2017年起，人工智能，特別是深度學習在氣象科學和業(yè)務(wù)中的應(yīng)用已受到我國氣象專家們的重視。經(jīng)統(tǒng)計，在氣象領(lǐng)域涉及人工智能相關(guān)算法的SCI和國際會議論文中，2014-2018年我國論文發(fā)表數(shù)和至少被引用一次論文數(shù)在國際上僅次于美國，且和美國差距逐年縮小。熱點研究領(lǐng)域主要包括觀測數(shù)據(jù)質(zhì)量控制、數(shù)值模式資料同化、數(shù)值模式參數(shù)計算（如云和對流參數(shù)化）、模式產(chǎn)品后處理、天氣系統(tǒng)識別、可再生能源行業(yè)應(yīng)用、航空湍流預報、業(yè)務(wù)流程優(yōu)化、智能決策輔助系統(tǒng)等方面。我國氣象部門通過和清華大學、北京大學、中科院等科研院校以及阿里巴巴、百度、IBM等企業(yè)開展合作，以知識產(chǎn)權(quán)共享的方式，已經(jīng)在觀測識別、數(shù)據(jù)處理、短時臨近預報、多源融合定量降水預報、強對流潛勢預報、霾預報、相似臺風檢索、預報公文自動制作等多個業(yè)務(wù)領(lǐng)域取得若干研究成果。其中，基于深度學習的臨近預報已經(jīng)取得了很好的進展，預報模型不僅能跟蹤雷達回波的移動方向，而且能較好地反映雷達回波的生消變化，較傳統(tǒng)雷達回波外推方法準確率更高。

二、人工智能在氣象科學中應(yīng)用的機遇和挑戰(zhàn)

隨著人工智能技術(shù)的不斷更迭發(fā)展，在氣象科學領(lǐng)域中的應(yīng)用前景將愈加廣闊。以深度學習方法為例，在時空背景的有序序列和數(shù)據(jù)建模方面，由于深度學習所應(yīng)用的相關(guān)數(shù)據(jù)類型與氣象科學的數(shù)據(jù)之間存在極大的相似性，這為深度學習成功的應(yīng)用在氣象科學領(lǐng)域提供了新機遇。利用深度學習可以快速和有效的解決分類、異常檢測、回歸、空間或時間相關(guān)狀態(tài)預測等問題，而無需使用主觀的人工注釋或依賴于預定義閾值的方法。另一方面，深度學習也可以快速識別和使用事件空間形狀中的信息，如自動提取遙感數(shù)據(jù)中的多尺度特征，從而大大提高分類精度。

與此同時，深度學習在氣象科學應(yīng)用中也存著許多挑戰(zhàn)。首先是可解釋性，由于深度學習算法的潛在特性，從數(shù)據(jù)中發(fā)現(xiàn)的關(guān)系并不一定存在因果關(guān)系，實現(xiàn)可解釋性也是當前深度學習的研究焦點。其次是物理一致性，深度學習模型可以非常好的擬合觀測，但是預測可能存在物理上的不一致或不可信。再次是數(shù)據(jù)的復雜和不確定性，由于不同的傳感器顯示出不同的成像幾何形狀、時空分辨率、物理意義、內(nèi)容和統(tǒng)計數(shù)據(jù)，因此集成多傳感器數(shù)據(jù)并非易事。此外，衛(wèi)星觀測序列還存在著各種噪聲源、不確定性水平、數(shù)據(jù)缺失和間隙等問題，也是帶來數(shù)據(jù)的復雜和不確定性的主要原因。第三是缺少標記樣本，深度學習需要大量的標記樣本訓練集，但由于標注數(shù)據(jù)集存在著概念、所涉及的數(shù)據(jù)集的大小、專業(yè)標注人力成本等困難，大型的、標記好的氣象科學數(shù)據(jù)集并不完善和充足。最后是對計算的需求。目前，氣象部門每天都要處理TB級的高精度數(shù)據(jù)。雖然典型的計算機視覺應(yīng)用已能處理512×512像素的圖像尺寸，但是氣象數(shù)據(jù)如數(shù)值模式輸出數(shù)據(jù)、衛(wèi)星數(shù)據(jù)很多是全球尺度的，中等分辨率（約1km）的全球氣象場的大小約為40，000×20，000像素，即比計算機視覺能處理的多三個數(shù)量級。因此，氣象數(shù)據(jù)應(yīng)用深度學習的計算需求量非常巨大。

三、人工智能在氣象領(lǐng)域的未來發(fā)展方向

從歷史上看，物理建模和人工智能通常被視為兩個不同的領(lǐng)域，具有理論驅(qū)動與數(shù)據(jù)驅(qū)動兩個截然不同的科學范式。然而，兩種方法實際上是互補的，物理方法原則上可以直接解釋，并提供超出觀測條件的外推潛力，而數(shù)據(jù)驅(qū)動方法在適應(yīng)數(shù)據(jù)方面具有高度的靈活性，并且易于發(fā)現(xiàn)不確定性問題中的新模式。這兩種方法之間的協(xié)同作用一直受到關(guān)注，未來的氣象模型應(yīng)該整合基于物理過程的和人工智能的方法。但我們也應(yīng)該清醒的認識到理論與觀測、假設(shè)生成與理論驅(qū)動假設(shè)檢驗之間的科學相互作用將繼續(xù)存在，數(shù)據(jù)驅(qū)動的人工智能方法在氣象科學研究中不會取代物理建模，而是對物理建模強有力的補充和豐富。即，研究物理和數(shù)據(jù)驅(qū)動模型之間的各種協(xié)同作用，其最終目標是混合建模方法：這些方法應(yīng)遵循物理定律，具有概念化，因而可解釋的結(jié)構(gòu)，同時在理論薄弱的情況下完全適應(yīng)數(shù)據(jù)。

具體而言，隨著深度學習模擬能力以及氣象觀測能力的不斷進步，人工智能在氣象科學應(yīng)用的發(fā)展將在以下幾個方面有所進展。隨著深度學習的不斷應(yīng)用，未來可能會在圖像識別（如極端天氣型分類和異常檢測）、超分辨率處理（氣候模式降尺度）、時間預測和空間預測等方面取得較大進展。

改進模式的參數(shù)化方案。物理模型需要參數(shù)，但其中許多參數(shù)不易從基本原則中推導出來，只能用經(jīng)驗性的數(shù)據(jù)來代替。深度學習可以學習參數(shù)化，以最佳方式描述地面真實情況。

改進模型后處理能力。深度學習有助于識別、可視化和理解模型誤差的模式，使便于校正模型輸出和改進模式。

提高雷達、衛(wèi)星圖像等的圖像識別能力。如可以通過圖像識別改進臺風等極端天氣型的分類和異常檢測，還可以改進臨近預報能力。

改進氣候預測能力。由于氣候預測存在很大的不確定性，深度學習可以通過對氣候數(shù)據(jù)的學習得到新的預測模型，還可以通過超分辨率處理方法進行氣候模式的降尺度應(yīng)用。

推進地球科學的進一步交叉融合。隨著觀測數(shù)據(jù)的不斷拓展和人工智能計算能力的不斷提高，人工智能，特別是深度學習，提供了很有前途的工具，可以為地球系統(tǒng)各組成部分構(gòu)建新的數(shù)據(jù)驅(qū)動模型，從而重新建立我們對地球的理解。這將有利于地球科學中大氣科學、地理學、地質(zhì)學等學科從發(fā)展理念、算法建模、仿真應(yīng)用等方面集成和協(xié)同發(fā)展，同時進一步推進各學科的深度融合。

四、結(jié)論與建議

人工智能技術(shù)仍在飛速發(fā)展，Gartner公司預計其核心算法深度學習有望在未來2到5年達到成熟期并投入實際生產(chǎn)應(yīng)用。研究發(fā)現(xiàn)，人工智能在氣象領(lǐng)域有寬廣的應(yīng)用前景。在氣象科學方法上，數(shù)值預報方法仍然是核心和科學進步的關(guān)鍵，數(shù)據(jù)驅(qū)動的人工智能方法不會取代物理驅(qū)動的數(shù)值預報方法，而是對數(shù)值預報強有力的補充和豐富，將是基于物理過程和深度學習的混合建模方法。此外，從整體來看，未來人工智能將會貫穿氣象觀測、數(shù)據(jù)、信息網(wǎng)絡(luò)、預報、服務(wù)全業(yè)務(wù)過程。這不僅將影響氣象預報方法的改進，更將影響整個氣象行業(yè)的發(fā)展布局。因此，氣象部門應(yīng)抓緊人工智能發(fā)展機遇，做好頂層設(shè)計和統(tǒng)籌布局，以更好的姿態(tài)迎接人工智能時代的到來。

作者單位：山西省氣象科學研究所 賀潔穎、唐偉

中國氣象局資產(chǎn)管理事務(wù)中心 周勇、沈文海

本文受到2019年度氣象軟科學重點項目“氣象發(fā)展“十四五”規(guī)劃預研：人工智能應(yīng)用重大工程及政策”（項目編號：2019ZDIANXM19）的支持。