王亮 牛劍 竇硌

摘 要 人工智能的迅猛發(fā)展，在圖像識別，語言處理等領域取得了巨大進步，對氣象領域的發(fā)展有巨大的啟示作用，為未來氣象預報提供了新的方向。

關鍵詞 深度學習;氣象;預報

伴隨著計算機技術的迅猛發(fā)展，深度學習開啟了人工智能新時代。以深度學習為代表，伴隨其在計算機視覺、語音識別、自然語言處理等領域取得的突破性進展，新技術創(chuàng)新帶來的不僅是挑戰(zhàn)，同時也給氣象預報和監(jiān)測技術的發(fā)展帶來了新思考和新方向。

1深度學習

1.1 深度學習的基本概念

深度學習是以建立深層結(jié)構(gòu)化模型為目標的機器學習，是機器學習中一種基于對數(shù)據(jù)表征學習的方法，基于神經(jīng)網(wǎng)絡建立模擬人腦分析、學習的模型，模仿人腦機制識別目標，感知信息，通過組合底層特征形成更抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)分布式特征表示，深度學習示意圖[1]。

1.2 深度學習模型

同機器學習方法一樣，深度學習方法也有生成模型與判別模型之分，不同學習框架下的學習模型不同。

（1）卷積神經(jīng)網(wǎng)絡。①概念。卷積神經(jīng)網(wǎng)絡是一個多層的神經(jīng)網(wǎng)絡，每層由多個二維平面組成，而每個平面由多個獨立神經(jīng)元組成。卷積神經(jīng)網(wǎng)絡（CNN）是人工神經(jīng)網(wǎng)絡的一種，是一種前饋神經(jīng)網(wǎng)絡，是為識別二維形狀而特殊設計的一個多層感知器，這種網(wǎng)絡結(jié)構(gòu)隊平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。CNN本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習大量的輸入與輸出的指尖的映射關系，而不需要任何輸入和輸出指尖的精確的數(shù)學表達式，只要用已知的模式對卷積網(wǎng)絡加以訓練，網(wǎng)絡就具有輸入輸出對之間的映射能力。②基本結(jié)構(gòu)。a.輸入層：用于數(shù)據(jù)的輸入。b.卷基層：卷基層是卷積核在上一級輸入層上通過逐一華東窗口計算而得，卷積核中的每一個參數(shù)都相當于傳統(tǒng)神經(jīng)網(wǎng)絡中的權值參數(shù)，與對應的局部像素相連接，將卷積核的各個參數(shù)與對應的局部像素值相乘之和，得到卷基層上的結(jié)構(gòu)。c.激勵層：由于卷積也是一種線性運算，因此需要增加非線性映射。使用激勵函數(shù)：f（x）=max（x，0）。d.池化層：進行下采樣，對特征圖稀疏處理，減少數(shù)據(jù)運算量。e.全連接層：CNN尾部進行重新擬合，減少特征信息的損失。f.輸出層：最后輸出結(jié)果。③訓練過程。a.向前傳播階段。從樣本中取一個樣本（X，YP），將X輸入網(wǎng)絡;計算相應的實際輸出OP。在此階段，信息從輸入層經(jīng)過逐級變換，傳送到輸出層。這個過程也是網(wǎng)絡在完成訓練后正常運行時執(zhí)行的過程。在這個過程中，網(wǎng)絡執(zhí)行的是計算，實際上就是輸入與每層的權值矩陣相點乘，得到最后輸出結(jié)果：。b.向后傳播階段：計算實際輸出Op與相應的理想輸出Yp的差;按極小化誤差的方法反響傳播調(diào)整權矩陣。

（2）深度置信網(wǎng)絡。①概念。深度置信網(wǎng)絡（DBNs）是一個概率生成模型，與傳統(tǒng)的判別模型的神經(jīng)網(wǎng)絡相對，生成模式是建立一個觀察數(shù)據(jù)和標簽之間的聯(lián)合分布，對P（Observation|Label）和P（Label|Observation）都做了評估，而判別模式僅僅評估了后者。②基本結(jié)構(gòu)。DBNs是有多個限制玻爾茲曼機（RBM）層組成，一個典型的DBN結(jié)構(gòu)。這些網(wǎng)絡被“限制”為一個可視層和一個隱層，層間存在連接，但層內(nèi)的單元間不存在連接，隱層單元被訓練去捕捉在可視層表現(xiàn)出來的高階數(shù)據(jù)的相關性。③訓練過程。訓練深度置信網(wǎng)絡，需要充分訓練上一層RBM后才能訓練當前層的RBM，直至最后一層。a.通過一個非監(jiān)督貪婪逐層方法去預訓練獲得生成模型的權值，可視層生成一個向量v，通過它將值傳遞到隱層;b.可視層輸入被隨機選擇，以嘗試重構(gòu)原始的輸入信號;c.權值更新：新的可視的神經(jīng)元的激活單元將前向傳遞重構(gòu)可視單元，獲得h，后再映射給隱層。d.DBN可以利用帶標簽的數(shù)據(jù)以BP算法對判別性能做調(diào)整。

2深度學習在氣象領域的應用

深度學習在氣象領域的應用，一方面，基于數(shù)值預報機理的數(shù)理統(tǒng)計形成復雜預報模型、預報方法;另一方面，基于大數(shù)據(jù)技術的數(shù)據(jù)挖掘、機器學習等方法，研究深度學習預報模型或預報機器人[2]。

2.1 天氣系統(tǒng)識別

在視頻流中實時發(fā)現(xiàn)目標及其運動情況，是當前深度學習技術的一個重點，在歷史氣候數(shù)據(jù)中發(fā)現(xiàn)極端天氣系統(tǒng)的情況與之非常相似?；谶@個思路，開發(fā)的深層卷積神經(jīng)網(wǎng)絡天氣識別系統(tǒng)，用氣候數(shù)據(jù)進行網(wǎng)絡訓練，已經(jīng)有相當高程度的天氣系統(tǒng)識別準確率。

2.2 衛(wèi)星云圖識別和云量計算

云圖判別研究，首先，對樣本進行歸一化處理，一次作為卷積神經(jīng)網(wǎng)絡的輸入。其次，建立卷積神經(jīng)網(wǎng)絡，然后進行訓練，利用樣本再進行測試。第三，對卷積神經(jīng)網(wǎng)絡從網(wǎng)絡層數(shù)、濾波器個數(shù)、濾波器大小等幾個方面進行優(yōu)化。第四，在運用訓練后的CNN對衛(wèi)星云圖檢測的基礎上，進行云量計算。比較傳統(tǒng)方法，卷積神經(jīng)網(wǎng)絡的計算準確率相對較高。

3對氣象保障的影響

3.1 對氣象保障的影響

一方面，深度學習在氣象領域的逐漸展開，從天氣系統(tǒng)識別到氣象要素預報的全方位應用，以及深度學習模型的逐漸完善，使得數(shù)值預報模式的精度增加和范圍擴充，氣象保障的精確性會有大幅度的提升;另一方面，人工智能的氣象預報模式和氣象預報機器人的發(fā)展，進一步對當前預報保障模式提出了挑戰(zhàn)，需要不斷地改進保障模式，提高人機協(xié)作效率[3]。

3.2 對預報員的影響

當前，預報員的優(yōu)勢在于豐富的經(jīng)驗和對關鍵天氣形勢的把握。在預報的初級階段，預報員多年的預報經(jīng)驗可以用來“喂養(yǎng)”機器和模式;而在模型和智能化水平越來越高、人工訂正的空間越來越小時，一部分預報員將會投入技術研發(fā)，而另一部分預報員將主要轉(zhuǎn)向?qū)﹃P鍵轉(zhuǎn)折性天氣過程和氣象解釋等的氣象服務工作中。

參考文獻

[1] 趙勇.構(gòu)大數(shù)據(jù)-大數(shù)據(jù)技術及算法解析[M].北京：電子工業(yè)出版社，2015：101.

[2] 李社宏.氣象領域深度學習知識體系框架及前沿應用[J].陜西氣象，2018（1）：21-25.

[3] Lorenz E N.Deterministic Nonperiodic Flow[M].The Theory of Chaotic Attractors.Springer New York，2004：217.