白燕榮 王 娟 李 惠 王曉婷

1．成都信息工程大學(xué) 四川 成都 6102251 2延安市寶塔區(qū)氣象局 陜西 延安 716000

1 引言

互聯(lián)網(wǎng)、電子科學(xué)技術(shù)的迅猛發(fā)展。信息存儲(chǔ)、傳感器探測(cè)設(shè)備等技術(shù)不斷提高,氣象裝備日益豐富,氣象部門(mén)利用現(xiàn)代化的觀測(cè)設(shè)備可以獲取高時(shí)空分辨率氣象數(shù)據(jù)資料。在大數(shù)據(jù)時(shí)代背景下,基于數(shù)值模式的氣象預(yù)報(bào)展現(xiàn)出巨大的發(fā)展前景,數(shù)據(jù)挖掘、深度學(xué)習(xí)技術(shù)也在氣象預(yù)報(bào)中悄然興起。

2 深度學(xué)習(xí)在國(guó)內(nèi)外氣象預(yù)報(bào)應(yīng)用現(xiàn)狀

2．1 國(guó)外深度學(xué)習(xí)在氣象預(yù)報(bào)中的應(yīng)用 20世紀(jì)80年代末到90年代初,人工智能在美國(guó)、加拿大、英國(guó)、法國(guó)等國(guó)家的天氣預(yù)報(bào)中引起大家的重視。

1986年,Rumelhart等[1]提出了用于人工神經(jīng)網(wǎng)絡(luò)的反向傳播算法(BP),基于感知機(jī)提出用多隱層神經(jīng)網(wǎng)絡(luò)(MNN)。MNN使用BP算法訓(xùn)練模型,具有較強(qiáng)的無(wú)監(jiān)督學(xué)習(xí)能力,可以挖掘隱藏在數(shù)據(jù)中的復(fù)雜模式和規(guī)則,學(xué)習(xí)更加復(fù)雜的特征。BP算法和MNN的提出,再度引起人們對(duì)人工智能的研究熱潮。

2．2 國(guó)內(nèi)深度學(xué)習(xí)在氣象預(yù)報(bào)中的應(yīng)用 國(guó)內(nèi)深度學(xué)習(xí)在氣象預(yù)報(bào)預(yù)測(cè)方面的研究主要是基于歷史氣象數(shù)據(jù),對(duì)各氣象要素的獨(dú)立預(yù)報(bào)預(yù)測(cè)和基于對(duì)雷達(dá)、衛(wèi)星等圖像識(shí)別分析,外推短時(shí)臨近預(yù)報(bào)。

2．2．1 基于歷史氣象數(shù)據(jù),對(duì)各氣象要素的獨(dú)立預(yù)報(bào)預(yù)測(cè) 方穎等人[2]利用2015年824個(gè)氣象站點(diǎn)的氣溫、相對(duì)濕度和風(fēng)速3套數(shù)據(jù),分別構(gòu)建了氣溫、相對(duì)濕度、風(fēng)速的廣義加性模型(Generalized additive models)GAM和殘差自編碼器神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱殘差網(wǎng)絡(luò))模型,測(cè)試結(jié)果表明,同GAM相比,殘差網(wǎng)絡(luò)模型預(yù)測(cè)精度顯著提高。

張遠(yuǎn)汀等人[3]利用2017年12月—2018年2月和2007年12月—2008年2月這兩個(gè)時(shí)間段上的國(guó)家測(cè)站日值數(shù)據(jù),采用深度學(xué)習(xí)方法訓(xùn)練兩個(gè)時(shí)間段上所有預(yù)測(cè)為有積雪的個(gè)例,建立了預(yù)測(cè)積雪深度的回歸模型,該模型訓(xùn)練得到的誤差較小,但不足之處在于,預(yù)測(cè)極端降雪個(gè)例的誤差大于普通降雪個(gè)例。

哈爾濱工業(yè)大學(xué)楊涵[4]依次使用ARIMA模型、深度前饋神經(jīng)網(wǎng)絡(luò)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)中具有代表性的RNN－LSTM模型對(duì)單站氣溫要素進(jìn)行了實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)得出結(jié)論一是相對(duì)比傳統(tǒng)ARIMA模型,深度學(xué)習(xí)模型均能表現(xiàn)出了良好的預(yù)測(cè)性能,尤其是RNN－LSTM序列模型憑借較強(qiáng)的序列學(xué)習(xí)與預(yù)測(cè)能力,可作為區(qū)域精細(xì)化溫度預(yù)測(cè)的一種常規(guī)手段。二是對(duì)于深度前饋神經(jīng)網(wǎng)絡(luò),考慮多元屬性特征并加入滑動(dòng)時(shí)間窗手段后,預(yù)測(cè)效果提升明顯。

2．2．2 基于圖像識(shí)別分析,對(duì)短時(shí)臨近天氣進(jìn)行預(yù)報(bào) 氣象領(lǐng)域中,人工智能的圖像識(shí)別技術(shù)主要應(yīng)用于雷達(dá)和衛(wèi)星圖像分析。近年來(lái),圖像識(shí)別技術(shù)也開(kāi)始應(yīng)用于自動(dòng)氣象觀測(cè)天氣要素的識(shí)別上。

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”。從比賽的數(shù)據(jù)評(píng)分來(lái)看,基于AI方法的評(píng)分高于光流法的評(píng)分,表明了人工智能技術(shù)在解決臨近預(yù)報(bào)難題中的具體潛力。

3 深度學(xué)習(xí)在我國(guó)各省氣象局的應(yīng)用研究

目前中國(guó)氣象局各省對(duì)深度學(xué)習(xí)在氣象預(yù)報(bào)應(yīng)用的研究進(jìn)度不一。南部沿海省份氣象部門(mén)在人工智能方向已經(jīng)開(kāi)始研究應(yīng)用。廣東省氣象局利用阿里平臺(tái),開(kāi)展基于深度學(xué)習(xí)的短臨降水預(yù)報(bào)效果良好;北京市氣象局將機(jī)器學(xué)習(xí)方法應(yīng)用于溫度預(yù)報(bào);福建省氣象局基于機(jī)器學(xué)習(xí)的降水要素客觀訂正方法;中央氣象臺(tái)和清華大學(xué)聯(lián)合開(kāi)發(fā)出一種基于深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)回波外推方法,該方法比之前運(yùn)用傳統(tǒng)方法進(jìn)行回波預(yù)報(bào)的準(zhǔn)確率提高了40%左右。內(nèi)地省份陜西、甘肅、內(nèi)蒙古、山西省氣象局在人工智能方面與氣象預(yù)報(bào)服務(wù)相結(jié)合的研究中較為落后,陜西省氣象局李社宏于2018年發(fā)表了文章《氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架及前沿應(yīng)用》介紹了數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基本概念以及相關(guān)練習(xí),氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架,沒(méi)有開(kāi)展基于數(shù)據(jù)的實(shí)驗(yàn)測(cè)試。

4 深度學(xué)習(xí)在氣象預(yù)報(bào)應(yīng)用研究趨勢(shì)

人工智能技術(shù)發(fā)展日新月異的今天,人工智能在氣象預(yù)報(bào)中的應(yīng)用具有廣闊的前景。深度學(xué)習(xí)的圖像分析識(shí)別技術(shù)在氣象雷達(dá)、衛(wèi)星云圖的識(shí)別和后期反演預(yù)測(cè)上應(yīng)用廣泛;基于大量的歷史氣象數(shù)據(jù),對(duì)氣象要素?cái)?shù)據(jù)進(jìn)行預(yù)測(cè),深度學(xué)習(xí)預(yù)測(cè)效果優(yōu)于數(shù)值預(yù)報(bào),但僅適用于穩(wěn)定的氣候條件,對(duì)于極端、異常、突發(fā)的災(zāi)害性天氣過(guò)程,深度學(xué)習(xí)無(wú)法提前精準(zhǔn)預(yù)報(bào);天氣氣候系統(tǒng)是一個(gè)耗散的、具有多個(gè)不穩(wěn)定源的高階非線性系統(tǒng),其復(fù)雜的內(nèi)部相互作用和隨機(jī)變化導(dǎo)致了天氣氣候的可變性和復(fù)雜性,未來(lái)的發(fā)展趨勢(shì)是將深度學(xué)習(xí)與數(shù)值預(yù)報(bào)優(yōu)勢(shì)互補(bǔ),利用深度學(xué)習(xí)、圖像識(shí)別等技術(shù)在短臨預(yù)報(bào)、延伸期預(yù)報(bào)等方面發(fā)揮其優(yōu)勢(shì),成為數(shù)值預(yù)報(bào)的一個(gè)有力補(bǔ)充。