魏曉琳 陳訓(xùn)來(lái) 江崟 李輝 毛夏

（作者單位：魏曉琳、陳訓(xùn)來(lái)、李輝、毛夏，深圳市氣象局；江崟，深圳市國(guó)家氣候觀象臺(tái)）

為促進(jìn)人工智能（AI）技術(shù)在天氣預(yù)報(bào)上的應(yīng)用，深圳市氣象局連續(xù)兩年（2017—2018年）通過(guò)與阿里巴巴公司、香港天文臺(tái)合作，共同組織了短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)為主題的“全球AI氣象挑戰(zhàn)賽”，征集到卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、決策樹(shù)模型等基于AI技術(shù)的短時(shí)強(qiáng)降水臨近預(yù)報(bào)方法，形成了一種新型的社會(huì)化眾創(chuàng)機(jī)制。

短時(shí)強(qiáng)降水是指1 h雨量大于等于20 mm的降水事件，其導(dǎo)致的主要災(zāi)害是暴洪，是所有氣象相關(guān)災(zāi)害中發(fā)生頻次最高且導(dǎo)致傷亡最多的災(zāi)害，臨近預(yù)報(bào)則是指短時(shí)間內(nèi)（0～6 h，其中0～2 h為重點(diǎn)）發(fā)生明顯變化的天氣現(xiàn)象的預(yù)報(bào)，包括雷暴、強(qiáng)對(duì)流、降水和沙塵暴等。由于致災(zāi)程度高，雷暴和強(qiáng)對(duì)流是研究最多的、最具挑戰(zhàn)性的臨近預(yù)報(bào)研究對(duì)象，從實(shí)際業(yè)務(wù)的角度看，目前對(duì)大多數(shù)雷暴和強(qiáng)對(duì)流天氣的高時(shí)空分辨率的可用預(yù)報(bào)和警報(bào)時(shí)效仍然不超過(guò)2 h。研究表明，基于高分辨率的天氣預(yù)報(bào)模式WRF（Weather Research and Forecasting）以及逐時(shí)同化雷達(dá)、GPS水汽、風(fēng)廓線等觀測(cè)資料后，利用深圳稠密的自動(dòng)氣象站監(jiān)測(cè)數(shù)據(jù)針對(duì)短時(shí)強(qiáng)降水的定時(shí)定量預(yù)報(bào)的嚴(yán)格TS評(píng)分顯示，第一小時(shí)的降水臨近預(yù)報(bào)的準(zhǔn)確率在10%以下，第二小時(shí)起準(zhǔn)確率均在3%以下。因此對(duì)于短時(shí)強(qiáng)降水的短臨預(yù)報(bào)，特別是第二小時(shí)開(kāi)始的臨近預(yù)報(bào)是天氣預(yù)報(bào)中的重點(diǎn)和難點(diǎn)問(wèn)題。

傳統(tǒng)的臨近預(yù)報(bào)技術(shù)主要是基于多普勒天氣雷達(dá)觀測(cè)數(shù)據(jù)并結(jié)合其他資料對(duì)雷暴生成、發(fā)展和衰減過(guò)程的臨近預(yù)報(bào)。新一代天氣雷達(dá)由于可探測(cè)大氣中的多種天氣系統(tǒng)及其結(jié)構(gòu)，由于其大功率、高靈敏度和全相參性能，能可靠地定量測(cè)量降水以及降水的生消、演變、范圍、強(qiáng)弱以及降水分布，在臨近天氣預(yù)報(bào)和災(zāi)害性天氣警報(bào)方面有著很高的應(yīng)用價(jià)值。利用新一代天氣雷達(dá)進(jìn)行臨近預(yù)報(bào)的方法有外推法、相似法、經(jīng)驗(yàn)預(yù)報(bào)、降水的定量估測(cè)及預(yù)報(bào)、通過(guò)同化雷達(dá)資料利用中尺度數(shù)值模式開(kāi)展數(shù)值臨近預(yù)報(bào)等，雖然我國(guó)強(qiáng)對(duì)流天氣短時(shí)臨近預(yù)報(bào)業(yè)務(wù)已經(jīng)取得了巨大進(jìn)展，但在強(qiáng)對(duì)流天氣的監(jiān)測(cè)技術(shù)、快速同化更新的數(shù)值預(yù)報(bào)和集合數(shù)值預(yù)報(bào)支撐技術(shù)、強(qiáng)對(duì)流天氣預(yù)報(bào)檢驗(yàn)技術(shù)、強(qiáng)對(duì)流天氣機(jī)理研究和氣候時(shí)空分布特征分析等方面仍然面臨很多挑戰(zhàn)。

近年來(lái)，人工智能技術(shù)發(fā)展較快，在天氣預(yù)報(bào)領(lǐng)域的應(yīng)用，無(wú)論在國(guó)內(nèi)外均持續(xù)受到關(guān)注，并被認(rèn)為是較為適合處理天氣預(yù)報(bào)這類復(fù)雜問(wèn)題的有效方法。面對(duì)復(fù)雜的大氣系統(tǒng)的演變，與傳統(tǒng)的臨近預(yù)報(bào)方法從探尋大氣運(yùn)動(dòng)的本質(zhì)規(guī)律出發(fā)不同，人工智能具有針對(duì)模糊、不確定性問(wèn)題進(jìn)行分析、聯(lián)想、記憶學(xué)習(xí)和推斷的能力，在氣象領(lǐng)域的應(yīng)用已具有較寬的覆蓋面，從探測(cè)、數(shù)據(jù)處理、預(yù)報(bào)預(yù)測(cè)、到服務(wù)產(chǎn)品均有涉及，可通過(guò)大數(shù)據(jù)分析、信息識(shí)別、機(jī)器學(xué)習(xí)等技術(shù)解決各類難以通過(guò)數(shù)理模型直接給出確定性方案的復(fù)雜問(wèn)題。AI技術(shù)除了通過(guò)機(jī)器學(xué)習(xí)解決預(yù)報(bào)模式中的不確定因素外，另一個(gè)明顯優(yōu)勢(shì)是對(duì)各類復(fù)雜信息的識(shí)別與處理，可以改進(jìn)模式初始信息的質(zhì)量，也可以通過(guò)對(duì)信息的識(shí)別與學(xué)習(xí)開(kāi)展短時(shí)臨近預(yù)報(bào)。Shi Xingjian等通過(guò)機(jī)器深度學(xué)習(xí)，模擬雷達(dá)回波未來(lái)2 h的移動(dòng)路徑，較傳統(tǒng)基于光流矢量計(jì)算方法預(yù)測(cè)雷達(dá)回波移動(dòng)具有了新的優(yōu)勢(shì)。Yao and Li等采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合了尺度不變的特征變換和泰勒凍結(jié)假設(shè)相結(jié)合的云團(tuán)軌跡追蹤技術(shù)，基于雷達(dá)資料對(duì)第二小時(shí)的單點(diǎn)強(qiáng)降水預(yù)報(bào)取得良好的效果。

為促進(jìn)傳統(tǒng)的天氣預(yù)報(bào)方法與AI技術(shù)的融合應(yīng)用，深圳市氣象局自2017年起建立了一種新型的眾創(chuàng)機(jī)制，通過(guò)在阿里巴巴的天池平臺(tái)上發(fā)布標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集，面向全球舉辦AI氣象挑戰(zhàn)賽，吸引從事AI、機(jī)器學(xué)習(xí)的人才到平臺(tái)上來(lái)針對(duì)短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)問(wèn)題發(fā)展原創(chuàng)的算法。在2017—2018年的實(shí)踐經(jīng)驗(yàn)中，取得了一定的成效。

1 全球AI氣象挑戰(zhàn)賽介紹

1.1 2017年賽事組織概況

1.1.1 主辦方、賽題和數(shù)據(jù)集

2017年，深圳市氣象局以短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)技術(shù)為突破點(diǎn)，聯(lián)合阿里云計(jì)算有限公司和CIKM2017（第26屆信息與知識(shí)管理國(guó)際會(huì)議）作為主辦方，首次組織了以短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)為主題的挑戰(zhàn)賽，引導(dǎo)社會(huì)力量參與氣象智能預(yù)報(bào)技術(shù)研究。在賽題的選擇上，針對(duì)目前短時(shí)臨近預(yù)報(bào)方法對(duì)短時(shí)強(qiáng)降水的定時(shí)、定點(diǎn)、定量預(yù)報(bào)能力有限，尤其是第二小時(shí)以后的預(yù)報(bào)準(zhǔn)確率顯著下降的特點(diǎn)，以提高單點(diǎn)短時(shí)強(qiáng)降水的臨近預(yù)報(bào)精準(zhǔn)度為目標(biāo)，提出了“單點(diǎn)短時(shí)定量降水預(yù)測(cè)”的賽題。

競(jìng)賽使用的數(shù)據(jù)集共包含14000組數(shù)據(jù)，其中1萬(wàn)組為訓(xùn)練數(shù)據(jù)集，另外各2000組作為測(cè)試數(shù)據(jù)集，分別用于比賽第一階段和第二階段的競(jìng)賽。其中訓(xùn)練數(shù)據(jù)集包含雷達(dá)數(shù)據(jù)和目標(biāo)站點(diǎn)的第一至第二小時(shí)之間的降水量，而測(cè)試數(shù)據(jù)集僅包含雷達(dá)數(shù)據(jù)。選手需根據(jù)主辦方提供的1萬(wàn)組訓(xùn)練數(shù)據(jù)集通過(guò)機(jī)器學(xué)習(xí)等方法進(jìn)行訓(xùn)練，建立算法模型，然后對(duì)第一和第二階段的測(cè)試數(shù)據(jù)給出未來(lái)第一至第二小時(shí)之間的降水量的預(yù)測(cè)。

數(shù)據(jù)集的編制基于廣東省2014—2016年3年的歷史多普勒雷達(dá)拼圖數(shù)據(jù)（數(shù)據(jù)已做脫敏處理），以自動(dòng)站小時(shí)雨量≥20 mm為主要指標(biāo)，通過(guò)時(shí)空抽稀和隨機(jī)選取等方式確定了14000個(gè)目標(biāo)自動(dòng)站點(diǎn)及目標(biāo)時(shí)刻，以目標(biāo)站點(diǎn)為中心提取水平方向上100 km×100 km的正方形、垂直方向上共4層（從0.5～3.5 km每隔1 km）、目標(biāo)時(shí)刻過(guò)去1.5 h內(nèi)逐6 min的雷達(dá)回波圖，在訓(xùn)練數(shù)據(jù)集中每組數(shù)據(jù)還提供了目標(biāo)站點(diǎn)在目標(biāo)時(shí)刻未來(lái)1和2 h的降水量數(shù)據(jù)（圖1），評(píng)測(cè)的方法為均方根誤差，均方根誤差越小排名越靠前。

圖1 2017年全球AI氣象挑戰(zhàn)賽賽題示意圖

1.1.2 比賽規(guī)則及結(jié)果

除主辦方內(nèi)部工作人員外，任何人均可參賽。競(jìng)賽分為發(fā)布訓(xùn)練數(shù)據(jù)與第一階段測(cè)試數(shù)據(jù)集、第一階段比賽、第二階段比賽、入圍選手提交報(bào)告和源代碼及公布成績(jī)4個(gè)階段。在第一階段、第二階段比賽期間，參賽選手可以提交盡可能多的結(jié)果，以第二階段的歷史提交最優(yōu)的一次結(jié)果作為最終的比賽成績(jī)。

經(jīng)CIKM2017大會(huì)組委會(huì)評(píng)審，深圳市氣象局聯(lián)合阿里云共同組織的挑戰(zhàn)賽被確定為由國(guó)際計(jì)算機(jī)學(xué)會(huì)（ACM）于2017年11月在新加坡主辦的第26屆CIKM 國(guó)際會(huì)議的四大賽題之一，并通過(guò)CIKM國(guó)際會(huì)議官網(wǎng)和阿里天池平臺(tái)向國(guó)內(nèi)外同時(shí)公布賽題和數(shù)據(jù)，比賽時(shí)間持續(xù)近半年，最后共有來(lái)自中國(guó)、新加坡、美國(guó)、英國(guó)以及港澳臺(tái)等10余個(gè)國(guó)家和地區(qū)的1395個(gè)團(tuán)隊(duì)、1650人參加，參賽團(tuán)隊(duì)包括清華大學(xué)、新加坡國(guó)立大學(xué)，香港科技大學(xué)、中國(guó)科學(xué)院等國(guó)內(nèi)外著名高校院所以及高科技企業(yè)的專家和研究人員。參賽團(tuán)隊(duì)充分應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、決策樹(shù)模型等深度學(xué)習(xí)算法，不斷優(yōu)化結(jié)果，總共提交了多達(dá)7917次的評(píng)估結(jié)果，前三名隊(duì)伍及成績(jī)見(jiàn)表1。

第一名清華大學(xué)團(tuán)隊(duì)采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合了尺度不變的特征變換和泰勒凍結(jié)假設(shè)相結(jié)合的云團(tuán)軌跡追蹤技術(shù)，預(yù)報(bào)效果明顯高于其他團(tuán)隊(duì)，比賽最終成績(jī)較大賽提供的RMSE基準(zhǔn)線14.69減小了3.7，這對(duì)氣象部門開(kāi)展強(qiáng)降水的智能預(yù)報(bào)技術(shù)研究提供了借鑒和參考。在CIKM國(guó)際會(huì)議期間，大會(huì)組委會(huì)安排氣象智能預(yù)報(bào)挑戰(zhàn)賽專題分會(huì)場(chǎng)報(bào)告，得到了大數(shù)據(jù)、人工智能等研究人員的廣泛關(guān)注。

表1 2017年全球AI氣象挑戰(zhàn)賽獲獎(jiǎng)隊(duì)伍及成績(jī)

1.2 2018年賽事組織概況

1.2.1 主辦方、賽題和數(shù)據(jù)集

2018年香港天文臺(tái)加入賽事，由深圳市氣象局、香港天文臺(tái)、阿里云計(jì)算有限公司和IEEE ICDM2018國(guó)際會(huì)議4家聯(lián)合主辦，IEEE ICDM的全稱是IEEE International Conference on Data Mining，為數(shù)據(jù)挖掘領(lǐng)域的三大頂級(jí)國(guó)際會(huì)議。IEEE ICDM提供了一個(gè)展示原創(chuàng)研究成果的國(guó)際論壇，研究范圍涉及數(shù)據(jù)挖掘與人工智能領(lǐng)域的許多內(nèi)容，包括算法、軟件和系統(tǒng)以及應(yīng)用程序等，吸引了大量數(shù)據(jù)挖掘與人工智能相關(guān)領(lǐng)域的研究人員和應(yīng)用程序開(kāi)發(fā)人員，涵蓋統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)可視化、高性能計(jì)算等各個(gè)學(xué)科和領(lǐng)域。此次ICDM2018主辦的大數(shù)據(jù)競(jìng)賽有兩項(xiàng)，其中之一為全球AI氣象挑戰(zhàn)賽，另一賽題為美國(guó)麻省理工學(xué)院主辦的多用途語(yǔ)音識(shí)別大數(shù)據(jù)競(jìng)賽。

經(jīng)精心設(shè)計(jì)，2018年的賽題由2017年的“由面到點(diǎn)”（即由雷達(dá)回波圖預(yù)測(cè)單點(diǎn)降水）難度加大為“由面到面”（即由雷達(dá)回波圖預(yù)測(cè)雷達(dá)回波圖）。數(shù)據(jù)集的量顯著加大，融入香港的雷達(dá)數(shù)據(jù)，選取2010—2017年前汛期廣東及香港的雷達(dá)數(shù)據(jù)，數(shù)據(jù)集采取灰度的國(guó)際通用標(biāo)準(zhǔn)數(shù)據(jù)格式，構(gòu)成標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集SRAD2018（Standardized Radar Dataset 2018），SRAD2018共提供32萬(wàn)組數(shù)據(jù)，其中30萬(wàn)組為訓(xùn)練數(shù)據(jù)集，另外各1萬(wàn)組為初賽和決賽的測(cè)試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集的個(gè)例數(shù)量為2017年的30倍。訓(xùn)練數(shù)據(jù)集的每一組數(shù)據(jù)包括有61張雷達(dá)圖像，空間分辨率為1 km，時(shí)間分辨率為6 min。而初賽和決賽的測(cè)試數(shù)據(jù)集的每組數(shù)據(jù)僅提供前3 h、間隔6 min的雷達(dá)數(shù)據(jù)，選手需要預(yù)測(cè)每組數(shù)據(jù)在后3 h內(nèi)以30 min為間隔的雷達(dá)圖像結(jié)果（圖2）。在評(píng)測(cè)辦法上，為了提高征集到的算法在實(shí)際業(yè)務(wù)中的應(yīng)用價(jià)值，基于Heidke技巧評(píng)分（Heidke skill score，HSS）（其說(shuō)明可參考http://www.cawcr.gov.au/projects/verification/），深圳市氣象局和香港天文臺(tái)聯(lián)合對(duì)HSS方法進(jìn)行改進(jìn)，當(dāng)預(yù)報(bào)時(shí)效越長(zhǎng)和強(qiáng)度越大，則所占的評(píng)分比重越高。

圖2 2018年全球AI氣象挑戰(zhàn)賽賽題示意圖

1.2.2 比賽規(guī)則及結(jié)果

與2017年相同，大賽面向全社會(huì)開(kāi)放報(bào)名，除主辦方內(nèi)部工作人員外任何人士均可參賽。選手可1～4人組隊(duì)參賽，每位選手只能加入一支隊(duì)伍，否則會(huì)被取消參賽資格；除官方發(fā)布的SRAD2018數(shù)據(jù)集外，如參賽者還使用了其他數(shù)據(jù)信息將被視為作弊并取消參賽資格。與2017年相同，競(jìng)賽同樣分為4個(gè)階段，取第二階段的歷史提交最優(yōu)的結(jié)果為代表隊(duì)最終成績(jī)。

2018年5月23日深港氣象部門通過(guò)阿里云天池平臺(tái)再度發(fā)起全球AI氣象挑戰(zhàn)賽，前后歷時(shí)6個(gè)月，影響力持續(xù)提升，共有來(lái)自全球45個(gè)國(guó)家和地區(qū)的1739支隊(duì)伍、2012名選手參加，其中海外選手243人，覆蓋45個(gè)國(guó)家和地區(qū)（含港、澳、臺(tái)），共有114支隊(duì)伍產(chǎn)出有效成績(jī)，選手分布42%為學(xué)生，5%為教職工、科研人員，29%為公司職員，24%為其他。53%的選手具有碩士及以上學(xué)歷，參賽團(tuán)隊(duì)來(lái)自北京大學(xué)、中國(guó)科學(xué)院、香港中文大學(xué)、加州大學(xué)洛杉磯分校、康奈爾大學(xué)、新加坡國(guó)立大學(xué)等國(guó)內(nèi)外著名高校院所以及高科技企業(yè)。根據(jù)參賽團(tuán)隊(duì)提交的技術(shù)報(bào)告和源程序，2018全球AI氣象挑戰(zhàn)賽組委會(huì)組織專家進(jìn)行了審核，從程序復(fù)現(xiàn)運(yùn)行結(jié)果一致性、技術(shù)原創(chuàng)性、文檔完整性、技術(shù)合理和業(yè)務(wù)可行性等方面綜合評(píng)審，來(lái)自香港中文大學(xué)（深圳）、中山大學(xué)等單位和個(gè)人獲本年度全球AI氣象挑戰(zhàn)賽的前3名（表2），此次賽事征集到基于trajectory GRU、Conv2D LSTM以及傳統(tǒng)光流法等針對(duì)賽題進(jìn)行原創(chuàng)改進(jìn)的智能臨近預(yù)報(bào)算法，以本次競(jìng)賽的數(shù)據(jù)評(píng)分效果來(lái)看，基于AI方法的評(píng)分高于光流法的評(píng)分，顯示了人工智能技術(shù)在解決臨近預(yù)報(bào)難題中的巨大潛力。

表2 2018年全球AI氣象挑戰(zhàn)賽獲獎(jiǎng)隊(duì)伍及成績(jī)

2018與2017年最大的不同點(diǎn)在于題目的難度增加、數(shù)據(jù)量顯著加大，2017年是由多層雷達(dá)回波圖預(yù)測(cè)單點(diǎn)的降水，而2018年是由雷達(dá)回波圖預(yù)測(cè)雷達(dá)回波圖，在實(shí)際的短臨預(yù)報(bào)業(yè)務(wù)中，顯然后者更為實(shí)用，征集的算法可以迅速投入業(yè)務(wù)使用，實(shí)踐證明在競(jìng)賽中，人工智能的算法獲得了冠軍，表現(xiàn)優(yōu)于傳統(tǒng)的光流法，當(dāng)然這仍需在實(shí)際業(yè)務(wù)中進(jìn)行更多的檢驗(yàn)。

1.3 對(duì)標(biāo)國(guó)際一流，建立了一種短時(shí)強(qiáng)降水臨近預(yù)報(bào)的新型眾創(chuàng)機(jī)制

連續(xù)兩年的全球AI氣象挑戰(zhàn)賽參考和借鑒了ImageNet的發(fā)展軌跡，ImageNet項(xiàng)目是世界上圖像識(shí)別最大的數(shù)據(jù)庫(kù)，提供了超過(guò)1400萬(wàn)個(gè)圖像，自2010年以來(lái)，該項(xiàng)目每年舉辦一次軟件比賽，即ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽（ILSVRC），競(jìng)賽在給定的數(shù)據(jù)集上評(píng)估其算法，并在幾項(xiàng)視覺(jué)識(shí)別任務(wù)中爭(zhēng)奪更高的準(zhǔn)確性，2010—2017年短短幾年時(shí)間里，物體分類冠軍的精確度從 71.8% 上升到 97.3%，超越了人類物體分類水平，也有力證明了更大的數(shù)據(jù)會(huì)帶來(lái)更好的決策（https://www.sohu.com/a/160316515_680198）。

2017—2018年深圳市氣象局聯(lián)合香港天文臺(tái)、阿里云計(jì)算有限公司通過(guò)全球AI氣象挑戰(zhàn)賽的成功舉辦已經(jīng)初步構(gòu)建了從發(fā)布數(shù)據(jù)集、提供算法運(yùn)行環(huán)境和計(jì)算存儲(chǔ)空間，吸引位于全世界各地的從事AI技術(shù)的專業(yè)人員到平臺(tái)上針對(duì)智能臨近預(yù)報(bào)的賽題提交原創(chuàng)算法，在給定的數(shù)據(jù)集上評(píng)估其算法的新型的社會(huì)化眾創(chuàng)機(jī)制。從眾創(chuàng)的結(jié)果來(lái)看，征集到卷積神經(jīng)網(wǎng)絡(luò)、trajectory GRU、Conv2D LSTM等人工智能算法用于解決氣象上降水臨近預(yù)報(bào)難題，并且在競(jìng)賽給定的個(gè)例中，總體表現(xiàn)上智能臨近預(yù)報(bào)方法優(yōu)于傳統(tǒng)的光流法。

2 眾創(chuàng)機(jī)制未來(lái)的發(fā)展方向展望

2.1 持續(xù)完善數(shù)據(jù)集及算法評(píng)測(cè)方法

ImageNet創(chuàng)始人李飛飛教授指出：構(gòu)建優(yōu)良數(shù)據(jù)集的工作是 AI 研究的核心，數(shù)據(jù)和算法一樣至關(guān)重要（https://www.sohu.com/a/160316515_680198）。因此數(shù)據(jù)集是人工智能天氣預(yù)報(bào)中至為重要的一環(huán)，未來(lái)將致力于從以下幾個(gè)方面進(jìn)一步完善：一是將現(xiàn)有的30萬(wàn)組標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集，擴(kuò)展為百萬(wàn)量級(jí)以上的數(shù)據(jù)集，這需要將當(dāng)前粵港澳的雷達(dá)數(shù)據(jù)拓展至更大的空間范圍；二是采取更嚴(yán)格、更適用于AI算法研發(fā)的雷達(dá)數(shù)據(jù)控制技術(shù)，對(duì)雷達(dá)基數(shù)據(jù)帶來(lái)的雜波、缺值等做更精心的處理，最大限度降低對(duì)機(jī)器學(xué)習(xí)帶來(lái)的干擾；三是對(duì)智能臨近預(yù)報(bào)的客觀評(píng)價(jià)算法繼續(xù)優(yōu)化，使評(píng)分的結(jié)果與預(yù)報(bào)員的主觀感受更匹配；四是繼續(xù)完善標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集下載、使用以及人工智能算法共享的使用條款。

2.2 創(chuàng)建AIMNet平臺(tái)

針對(duì)眾創(chuàng)機(jī)制未來(lái)的發(fā)展方向，我們的構(gòu)想是在現(xiàn)有的眾創(chuàng)機(jī)制的基礎(chǔ)上，創(chuàng)建致力于解決氣象業(yè)務(wù)難題的社會(huì)化眾包平臺(tái)AIMNet，英文AIMNet的含義即基于AI技術(shù)針對(duì)性的解決氣象難題（Meteorology）的網(wǎng)絡(luò)平臺(tái)。該平臺(tái)將主要包含如下幾種功能：一是持續(xù)更新發(fā)布標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集，并向全球征集經(jīng)過(guò)質(zhì)量控制的雷達(dá)數(shù)據(jù)，按照開(kāi)源、脫密、共享、共研、共用、格式統(tǒng)一的原則匯集更多國(guó)家和地區(qū)的雷達(dá)基礎(chǔ)數(shù)據(jù)，形成人工智能訓(xùn)練資源庫(kù)；二是與超算中心合作，為AIMNet平臺(tái)提供算法運(yùn)行環(huán)境和計(jì)算存儲(chǔ)資源，吸引從事人工智能研究的人員到平臺(tái)上提交原創(chuàng)或改進(jìn)的臨近預(yù)報(bào)算法，形成短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)算法庫(kù)；三是提供客觀的、專業(yè)的評(píng)測(cè)方法，對(duì)進(jìn)入平臺(tái)上的短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)算法進(jìn)行客觀評(píng)分，形成產(chǎn)品排行榜及產(chǎn)品超市；四是將征集優(yōu)選的算法在全國(guó)氣象部門推廣落地應(yīng)用，并由氣象業(yè)務(wù)部門提供應(yīng)用反饋的意見(jiàn)。最終，通過(guò)AIMNet平臺(tái)的搭建，形成短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)的大數(shù)據(jù)資源庫(kù)、算法征集、客觀優(yōu)選、應(yīng)用反饋的社會(huì)化眾創(chuàng)機(jī)制的良性閉環(huán)，促進(jìn)AI與天氣預(yù)報(bào)的高度融合和螺旋式上升發(fā)展。

3 結(jié)論

本文總結(jié)了2017—2018年深圳市氣象局與阿里巴巴公司、香港天文臺(tái)（2018年參與）聯(lián)合主辦的全球AI氣象挑戰(zhàn)賽，總結(jié)了挑戰(zhàn)賽的經(jīng)驗(yàn)和成果，并展望了未來(lái)發(fā)展的思路和理念，主要結(jié)論如下。

1）在人工智能與氣象這種交叉融合的新興技術(shù)上，氣象專業(yè)人員缺乏人工智能領(lǐng)域的專業(yè)知識(shí)，迫切需要通過(guò)技術(shù)的融合，促進(jìn)智能臨近預(yù)報(bào)的快速發(fā)展。全球AI氣象挑戰(zhàn)賽的成功舉辦顯示了一種新型的短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)的眾創(chuàng)機(jī)制已初見(jiàn)雛形和成效，有效激發(fā)了從事AI的專業(yè)人士研究氣象問(wèn)題，并征集到一些優(yōu)秀的人工智能算法為氣象所用，尤其是2018年征集到的算法可直接在業(yè)務(wù)中投入使用。

2）未來(lái)智能臨近預(yù)報(bào)的發(fā)展，數(shù)據(jù)和算法同樣重要，深圳市氣象局將通過(guò)AIMNet平臺(tái)的創(chuàng)建和發(fā)展，著力推動(dòng)標(biāo)準(zhǔn)雷達(dá)數(shù)據(jù)集的共享共用以倍數(shù)級(jí)增長(zhǎng)，吸引更多AI技術(shù)人員參與短時(shí)強(qiáng)降水智能臨近預(yù)報(bào)算法的發(fā)展，在統(tǒng)一的平臺(tái)上，依托相同的大數(shù)據(jù)和評(píng)測(cè)方法，形成客觀、權(quán)威的評(píng)分和排序，優(yōu)選的算法將在全國(guó)氣象部門內(nèi)進(jìn)行落地應(yīng)用，形成問(wèn)題的提出、解決、反饋的良性發(fā)展閉環(huán)。

3）未來(lái)AIMNet平臺(tái)的創(chuàng)建除了可以促進(jìn)氣象部門行業(yè)內(nèi)的應(yīng)用，同時(shí)也將搭建權(quán)威的、公開(kāi)的平臺(tái)，成效突出的算法可以迅速在平臺(tái)上獲得商用價(jià)值的認(rèn)可和應(yīng)用，促進(jìn)商業(yè)氣象經(jīng)濟(jì)的發(fā)展。

致謝：本項(xiàng)目由國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFC0203602)資助。

深入閱讀

Shi X, Chen Z, Wang H, et al, 2015. Convolutional LSTM network:a machine learning approach for precipitation nowcasting.Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal: MIT Press.

Shi X, Gao Z, Lausen L, et al, 2017. Deep learning for precipitation nowcasting: a benchmark and a new model. Proceedings of the 31th Conference on Neural Information Processing Systems.Long Beach, CA, USA.

Wilson J W, Feng Y R, Chen M, et al, 2010. Nowcasting challenges during the Beijing Olympics: Success, failures, and implications for future nowcasting systems. Weather and Forecasting, 25:1691-1714.

Yao Y, Li Z, 2017. Short-term precipitation forecasting based on radar reflectivity images. Proceedings of International Conference on Information and Knowledge Management. Shenzhen Meteorological Bureau.

段鶴, 夏文梅, 蘇曉力, 等, 2014. 短時(shí)強(qiáng)降水特征統(tǒng)計(jì)及臨近預(yù)警.氣象, 40(10): 1194-1206.

許小峰, 2018. 從物理模型到智能分析——降低天氣預(yù)報(bào)不確定性的新探索. 氣象, 44(3): 341-350.

俞小鼎, 2013. 短時(shí)強(qiáng)降水臨近預(yù)報(bào)的思路與方法. 暴雨災(zāi)害,32(3): 202-208.

俞小鼎, 周小剛, 王秀明, 2012. 雷暴與強(qiáng)對(duì)流臨近天氣預(yù)報(bào)技術(shù)進(jìn)展. 氣象學(xué)報(bào), 70(3): 311-337.

張蕾, 王明潔, 李輝, 2015. 短時(shí)強(qiáng)降水臨近預(yù)報(bào)相對(duì)準(zhǔn)確率的探討. 廣東氣象, 37(2): 1-6.

張沛源, 楊洪平, 胡紹萍, 2008. 新一代天氣雷達(dá)在臨近預(yù)報(bào)和災(zāi)害性天氣警報(bào)中的應(yīng)用. 氣象, 34(1): 3-11.

鄭永光, 張小玲, 周慶亮, 等, 2010. 強(qiáng)對(duì)流天氣短時(shí)臨近預(yù)報(bào)業(yè)務(wù)技術(shù)進(jìn)展與挑戰(zhàn). 氣象, 36(7): 33-42.