杜智濤 姜明波 杜曉勇 周育峰 王鵬宇 張志標(biāo)

(北京應(yīng)用氣象研究所，北京 100029)

引言

近10年來，隨著信息技術(shù)和智能算法技術(shù)的突破，人工智能(AI)技術(shù)呈現(xiàn)出加速發(fā)展的態(tài)勢，特別是在機(jī)器學(xué)習(xí)、圖像識別、大數(shù)據(jù)分析等技術(shù)上產(chǎn)生了相當(dāng)成熟的成果。在氣象領(lǐng)域，各國為推動人工智能的相關(guān)應(yīng)用開展了大量工作。2020年2月，美國國家海洋和大氣管理局(NOAA)正式發(fā)布了人工智能戰(zhàn)略，圍繞建立有效的組織結(jié)構(gòu)和流程、推進(jìn)人工智能研究和創(chuàng)新、加快AI研究與應(yīng)用、加強(qiáng)和擴(kuò)大人工智能伙伴關(guān)系、提高員工對人工智能的理解程度等方面提出了戰(zhàn)略目標(biāo)[1]。英國氣象局為了研究云計(jì)算、人工智能等新技術(shù)在氣象領(lǐng)域的應(yīng)用，成立了信息實(shí)驗(yàn)室，并與美國亞馬遜公司合作研發(fā)數(shù)據(jù)存儲、云計(jì)算技術(shù)，與微軟公司合作研發(fā)AI技術(shù)等[2]。國內(nèi)氣象界也在積極探索將AI技術(shù)與氣象業(yè)務(wù)科技發(fā)展相結(jié)合，并在業(yè)務(wù)中積極嘗試[2-3]。

機(jī)器學(xué)習(xí)在氣象領(lǐng)域的應(yīng)用主要是機(jī)器學(xué)習(xí)相關(guān)算法和模型結(jié)合氣象應(yīng)用不斷調(diào)整和優(yōu)化。機(jī)器學(xué)習(xí)的算法很多，一般根據(jù)學(xué)習(xí)方式分為監(jiān)督學(xué)習(xí)算法、非監(jiān)督學(xué)習(xí)算法和強(qiáng)化學(xué)習(xí)算法[4]。監(jiān)督學(xué)習(xí)算法常應(yīng)用于分類問題和回歸問題。常見算法有邏輯回歸(Logistic Regression)、神經(jīng)網(wǎng)絡(luò)(Neural Networks)、樸素貝葉斯分類器(Naive Bayes Classifier)、決策樹(Decision Trees)、線性回歸(Linear Regression)等。非監(jiān)督學(xué)習(xí)算法常應(yīng)用于關(guān)聯(lián)規(guī)則的學(xué)習(xí)以及聚類等，常見算法包括k-Means，自動編碼器(AE)等。在強(qiáng)化學(xué)習(xí)算法中輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻做出調(diào)整，常見的應(yīng)用場景包括動態(tài)系統(tǒng)以及機(jī)器人控制等,常見算法包括Q-Learning等。機(jī)器學(xué)習(xí)在地球科學(xué)中的應(yīng)用是近年地學(xué)研究的熱點(diǎn)，Reichstein等人給出了機(jī)器學(xué)習(xí)可以對應(yīng)的典型地學(xué)研究的應(yīng)用場景，包括分類問題，融合問題，短臨預(yù)測問題，時(shí)間序列建模問題等,如圖1所示。

圖1 四個(gè)深度學(xué)習(xí)典型的應(yīng)用情景(a,b,c,d)，對應(yīng)的地球科學(xué)問題[5]應(yīng)用場景(e,f,g,h)

本文從氣象觀測、數(shù)值天氣預(yù)報(bào)、強(qiáng)對流天氣識別預(yù)警以及衛(wèi)星資料應(yīng)用四個(gè)方面對機(jī)器學(xué)習(xí)的應(yīng)用情況進(jìn)行評述，最后對機(jī)器學(xué)習(xí)在氣象領(lǐng)域的發(fā)展進(jìn)行展望。

1 氣象觀測

1.1 常規(guī)地面觀測

隨著越來越多的智能手機(jī)具備測量大氣壓力、溫濕度等環(huán)境參數(shù)的能力，許多公司和個(gè)人開發(fā)了可收集智能手機(jī)壓力和位置的Android應(yīng)用程序[5-6]，例如Cumulonimbus公司開發(fā)的Pressure-Net應(yīng)用程序，目前每小時(shí)在全球范圍內(nèi)收集數(shù)以萬計(jì)的地面壓力觀測值。美國國家強(qiáng)風(fēng)暴實(shí)驗(yàn)室(NSSL)提供的“近地氣象現(xiàn)象識別”(mPING)網(wǎng)絡(luò)[7-8]可以讓人們實(shí)時(shí)報(bào)告氣象觀測參數(shù)，其目標(biāo)是將市民、天氣預(yù)報(bào)員和研究人員聚集在一起，實(shí)現(xiàn)氣象觀測的眾包，最大限度地提高觀測的覆蓋率。這些基于物聯(lián)網(wǎng)(IOT)的氣象探測手段極大提高氣象觀測在空間上和時(shí)間上的精度與密度，但如何將不同物理特性的傳感器測量數(shù)據(jù)進(jìn)行融合、校準(zhǔn)，提升數(shù)據(jù)精度，實(shí)現(xiàn)業(yè)務(wù)化應(yīng)用是一個(gè)關(guān)鍵，因此利用機(jī)器學(xué)習(xí)算法對IOT數(shù)據(jù)進(jìn)行訓(xùn)練和校正就是一個(gè)重點(diǎn)方向，Burton和Hu等[9-10]也提出了基于機(jī)器學(xué)習(xí)的格點(diǎn)統(tǒng)計(jì)插值方法來對氣象傳感網(wǎng)數(shù)據(jù)進(jìn)行融合處理。Madaus等[11]使用中尺度預(yù)報(bào)模式對基于智能手機(jī)的區(qū)域壓力測量結(jié)果進(jìn)行了分析評估。Liu等[12]提出了基于離散小波變換和后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)相結(jié)合的數(shù)據(jù)修正模型，離散小波變換算法負(fù)責(zé)將采集到的數(shù)據(jù)進(jìn)行濾波，BPNN被用來訓(xùn)練采集數(shù)據(jù)與標(biāo)準(zhǔn)數(shù)據(jù)之間的關(guān)系。

1.2 天氣現(xiàn)象圖像觀測

基于圖像的天氣現(xiàn)象識別分類核心在于高效準(zhǔn)確的特征提取與表達(dá)，并構(gòu)建合理的分類器。Zhang等[13]構(gòu)建了任意背景的多類天氣圖像數(shù)據(jù)庫，提取局部特征和全局特征，并利用多核支持向量機(jī)方法(Mutiple Kernel Learning，MKL)進(jìn)行分類；Tan等[14]提出了一種三通道卷積神經(jīng)網(wǎng)絡(luò)(3C-CNN)模型(圖2)，首先利用ResNet50分支從整幅圖像中提取全球天氣特征，然后通過Concat函數(shù)將全局特征和局部特征進(jìn)行融合，最后，使用Softmax分類器對圖像進(jìn)行分類，并輸出識別結(jié)果。Huang等[15]采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對南岳站結(jié)冰現(xiàn)場實(shí)驗(yàn)的攝像機(jī)圖像進(jìn)行建模和訓(xùn)練，并通過攝像機(jī)圖像對識別結(jié)果進(jìn)行檢驗(yàn)，該方法可為冰雪天氣現(xiàn)象的自動觀測提供重要的技術(shù)支持。

圖2 Tan等人提出的三通道卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[14]

1.3 天氣雷達(dá)觀測

由于氣候、硬件故障等多種因素的影響，天氣雷達(dá)經(jīng)常會產(chǎn)生異常的雷達(dá)回波信號，從大量雷達(dá)數(shù)據(jù)中人工識別異常是一項(xiàng)繁重的工作，因此，實(shí)現(xiàn)雷達(dá)數(shù)據(jù)中異常回波圖像的自動識別具有重要意義。在天氣雷達(dá)回波異常識別方面，許多學(xué)者做了大量的工作，其中一些是基于經(jīng)典的圖像處理方法實(shí)現(xiàn)了識別，例如，Chen等[16]提出了一套通過提取紋理特征來處理雷達(dá)異?；夭ǖ姆椒?，該類方法的主要缺點(diǎn)是復(fù)雜和效率低。Yang[17]提出了一種結(jié)合經(jīng)典圖像處理理論和深度學(xué)習(xí)的異常識別方法，該方法主要包括坐標(biāo)變換、積分投影和深度學(xué)習(xí)分類3個(gè)部分，該方法能夠提升對異常雷達(dá)回波圖像的甄別率，同時(shí)計(jì)算速度非常快。香港科技大學(xué)施行健等[18]基于雷達(dá)回波外推方面開展了深入的工作，并基于此技術(shù)進(jìn)行了短臨降水預(yù)測(圖3)。

圖3 施行健等人采用的RNN解碼預(yù)測結(jié)構(gòu)[18]

在雷達(dá)數(shù)據(jù)質(zhì)量方面，目前主要關(guān)注的是消除非氣象回波的質(zhì)量控制算法，例如異常傳播和地雜波，這些噪聲的反射率比較高[19-20]，但長時(shí)間存在的低反射率噪聲，如生物目標(biāo)造成的污染，很難去除，這種低反射率的噪聲如果長時(shí)間累積，就會在估計(jì)降水量方面造成重大問題。隨著偏振多普勒天氣雷達(dá)的廣泛部署和運(yùn)行，Lakshmanan等[21]提出了利用偏振極化變量進(jìn)行質(zhì)量控制的方法。

在雷達(dá)圖像識別方面，對雙偏振天氣雷達(dá)回波的水凝物分類進(jìn)行分類也是一個(gè)重要方向，冉元波等[22]提出了一種利用深度學(xué)習(xí)和模糊邏輯算法進(jìn)行聯(lián)合判別的水凝物相態(tài)識別方法，這種采用深度學(xué)習(xí)方法對降水粒子進(jìn)行初次聚類，再利用模糊邏輯算法實(shí)現(xiàn)精確聚類的方法，可大大提高水凝物識別準(zhǔn)確率。

2 數(shù)值天氣預(yù)報(bào)

英國信息技術(shù)專家羅伯托·齊卡里撰文指出[2]，探索機(jī)器學(xué)習(xí)和數(shù)值模擬的組合不僅可以促進(jìn)天氣預(yù)報(bào)能力的進(jìn)步，也會推動機(jī)器學(xué)習(xí)領(lǐng)域的創(chuàng)新研究?，F(xiàn)在比較關(guān)注的領(lǐng)域是使用機(jī)器學(xué)習(xí)工具加速數(shù)值預(yù)報(bào)流程的各個(gè)環(huán)節(jié)[23-24]。本部分主要圍繞數(shù)值天氣預(yù)報(bào)從觀測數(shù)據(jù)準(zhǔn)備到臨近預(yù)報(bào)和數(shù)值預(yù)測后處理數(shù)值的整個(gè)流程介紹機(jī)器學(xué)習(xí)算法的應(yīng)用。

2.1 數(shù)據(jù)獲取

由于覆蓋范圍不完整或由于傳感器問題，通常需要填補(bǔ)衛(wèi)星圖像的間隙。Chang等[25]使用極限學(xué)習(xí)機(jī)(ELM)方法來填補(bǔ)中分辨率成像光譜儀(MODIS)反射率數(shù)據(jù)中由于云量造成的空白，ELMs調(diào)整速度很快，因?yàn)槌溯敵鰧訖?quán)重外，ELMs的權(quán)重都是隨機(jī)的，但是ELMs的精度通常低于其他架構(gòu)[26]。Vladimir等[27]使用淺層人工神經(jīng)網(wǎng)絡(luò)填補(bǔ)了全球海洋彩色圖像中的空白。

2.2 數(shù)據(jù)預(yù)處理和反演

目前一個(gè)比較有影響力的試點(diǎn)項(xiàng)目是MIIDAPS-AI，該項(xiàng)目將多儀器反演和數(shù)據(jù)同化預(yù)處理系統(tǒng)(MIIDAPS)集群算法與AI算法融合[28]，使得不同來源的數(shù)據(jù)在擬合度、空間連貫性和參數(shù)間相關(guān)性方面得到進(jìn)一步增強(qiáng)，另外采用AI算法后運(yùn)算速度也得到了較大提升。

2.3 數(shù)據(jù)同化

當(dāng)前的數(shù)據(jù)同化系統(tǒng)中，需要考慮觀測值之間的相關(guān)性，為了縮短處理時(shí)間，僅使用了小部分的可用觀測值，通過機(jī)器學(xué)習(xí)算法可以加快數(shù)據(jù)同化的過程。例如，Chevallier等[29]將正向模型的快速機(jī)器學(xué)習(xí)仿真用于衛(wèi)星測量數(shù)據(jù)的直接同化，Krasnopolsky等[30]也將機(jī)器學(xué)習(xí)算法應(yīng)用于瞬時(shí)垂直傳播地面觀測資料。

2.4 短時(shí)臨近預(yù)報(bào)

Iskenderian等[31]在卷積神經(jīng)網(wǎng)絡(luò)(CNN)框架中融合來自閃電傳感器、衛(wèi)星圖像和數(shù)值天氣預(yù)報(bào)模型輸出的數(shù)據(jù)，創(chuàng)建了無縫天氣雷達(dá)圖像和12 h的短時(shí)預(yù)報(bào)。Shahroudi等[32]在CNN中結(jié)合圖像和數(shù)值天氣預(yù)報(bào)輸出預(yù)測了18 h熱帶氣旋路徑和強(qiáng)度。Shi等[33]開發(fā)了一種CNN和長短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的組合用于降水臨近預(yù)報(bào)的短期外推法。Google公司的Sonderby等[34]提出了深度學(xué)習(xí)降水預(yù)報(bào)模型MetNet(圖4)，實(shí)現(xiàn)1 km空間分辨率和2 min時(shí)間分辨率下全美國范圍內(nèi)提前7～8 h降水預(yù)報(bào)，超過了NOAA使用大氣模型結(jié)果。Qiu等[35]提出一種多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)用于降水量短期預(yù)測，考慮到不完整的觀測以及臨界點(diǎn)對其造成的影響，該模型利用多個(gè)觀測點(diǎn)的相關(guān)性進(jìn)行預(yù)測，結(jié)果優(yōu)于一系列基線模型。然而，對于中小尺度對流系統(tǒng)的定點(diǎn)預(yù)報(bào)目前還有很大難度。

圖4 深度學(xué)習(xí)降水預(yù)報(bào)模型MetNet[34]

2.5 中短期預(yù)報(bào)

機(jī)器學(xué)習(xí)仿真已被用于取代傳統(tǒng)的次網(wǎng)格尺度的數(shù)值天氣預(yù)報(bào)模型物理參數(shù)化，如輻射傳輸、對流、微物理和超參數(shù)化等[36-38]，在適當(dāng)?shù)那闆r下，基于物理學(xué)和基于機(jī)器學(xué)習(xí)的技術(shù)的融合提供了直接而強(qiáng)大的途徑來推動天氣預(yù)報(bào)領(lǐng)域發(fā)展[39]。Tompson等[5]開展了融合方法的探討，使用CNN加速了不可壓縮Naiver-Stokes方程的求解，以解決泊松方程在前進(jìn)時(shí)間步的壓力，這也是強(qiáng)制執(zhí)行物理約束的示例。疏杏勝等[40]利用ANN、ELM以及SVM模型對桓仁水庫流域未來1～3天降雨進(jìn)行多模式預(yù)報(bào)，提高了預(yù)測的精度。國防科技大學(xué)的陳睿[41]提出了一種基于深度學(xué)習(xí)的臺風(fēng)時(shí)空深度混合預(yù)測模型，在臺風(fēng)24 h形成預(yù)測實(shí)驗(yàn)中，最高準(zhǔn)確度達(dá)85.2%，展現(xiàn)了機(jī)器學(xué)習(xí)在極端天氣中短期預(yù)報(bào)中的強(qiáng)大能力。

2.6 預(yù)報(bào)后的處理和校正

機(jī)器學(xué)習(xí)可以很好地檢測、評估和糾正基于物理模型的錯誤，使大尺度模型的預(yù)報(bào)適應(yīng)當(dāng)?shù)貤l件，并非線性地對預(yù)測集合進(jìn)行平均。對于集成預(yù)報(bào)系統(tǒng)，機(jī)器學(xué)習(xí)方法被認(rèn)為是糾正偏差和傳播的有力工具[42-43]。Rasp等[44]將該技術(shù)應(yīng)用于德國的2 m溫度集成預(yù)報(bào)，與標(biāo)準(zhǔn)線性回歸技術(shù)相比獲得了較好的改進(jìn)。

3 強(qiáng)對流天氣識別預(yù)警

機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方法通過將模型輸出與觀測值融合，從而在預(yù)測模型中相關(guān)信息為預(yù)測者和用戶提供額外的決策支持，目前已在強(qiáng)對流天氣的監(jiān)測預(yù)警中廣泛應(yīng)用。

當(dāng)前主流強(qiáng)對流天氣監(jiān)測預(yù)警方法大多基于相關(guān)物理變量，由專家先驗(yàn)知識給出。Liu等[45]實(shí)現(xiàn)了基于卷積網(wǎng)絡(luò)的強(qiáng)對流監(jiān)測預(yù)警方法，盡管該方法對輔助強(qiáng)對流檢測提供了有效幫助，但該方法需要大量標(biāo)注數(shù)據(jù)，而實(shí)際過程中，強(qiáng)對流有多種不同表現(xiàn)形式，如颶風(fēng)、氣旋等，實(shí)現(xiàn)完全標(biāo)記需要耗費(fèi)大量人力物力財(cái)力。為此，Racah等[46]提出基于半監(jiān)督時(shí)空自動編碼器的強(qiáng)對流檢測方法，通過多通道時(shí)空編碼—解碼器刻畫數(shù)據(jù)特征，用于擬合多通道數(shù)據(jù)、時(shí)域變換數(shù)據(jù)以及無標(biāo)記數(shù)據(jù)的重構(gòu)，實(shí)現(xiàn)判別式特征提取，從而實(shí)現(xiàn)強(qiáng)對流天氣監(jiān)測。路志英等[47]提出基于物理量參數(shù)和深度學(xué)習(xí)模型深度神經(jīng)網(wǎng)絡(luò)(DBN)的短時(shí)強(qiáng)降水天氣識別模型，核心是通過將含有高斯玻耳茲曼機(jī)的深度學(xué)習(xí)模型對大氣監(jiān)測站逐小時(shí)加密的觀測量，以及常用于天氣預(yù)報(bào)分析的物理量等低層特征構(gòu)造出抽象的高層特征。劉新偉等[48]基于LightGBM算法，利用甘肅3個(gè)地區(qū)的C波段雷達(dá)回波產(chǎn)品及地面觀測數(shù)據(jù)，分類并識別了3類主要的強(qiáng)對流天氣(冰雹、雷暴大風(fēng)、短時(shí)強(qiáng)降雨)，表現(xiàn)良好，整體誤判率僅為4.9%。王興等[49]以雷達(dá)回波圖像和表征回波移動路徑的光流圖像作為輸入，通過深度神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，判斷是否發(fā)生強(qiáng)對流天氣。周康輝等[50]梳理了機(jī)器學(xué)習(xí)在強(qiáng)對流天氣監(jiān)測、短時(shí)臨近預(yù)報(bào)、短期預(yù)報(bào)等領(lǐng)域的應(yīng)用和存在的問題，并指出機(jī)器學(xué)習(xí)方法能夠更有效提取高時(shí)空分辨率的中小尺度觀測數(shù)據(jù)的強(qiáng)對流特征，能夠有效綜合應(yīng)用多源觀測數(shù)據(jù)、分析數(shù)據(jù)和數(shù)值預(yù)報(bào)模式數(shù)據(jù)，能夠有效對數(shù)值模式預(yù)報(bào)進(jìn)行釋用和后處理, 提升全球數(shù)值模式、高分辨率區(qū)域數(shù)值模式在強(qiáng)對流天氣預(yù)報(bào)上的應(yīng)用效果。Han等[51]建立了一個(gè)支持向量機(jī)(SVM)的多普勒雷達(dá)回波預(yù)測系統(tǒng)，系統(tǒng)結(jié)構(gòu)如圖5。

圖5 基于支持向量機(jī)的預(yù)測系統(tǒng)[51]

3.1 冰雹

在冰雹云監(jiān)測預(yù)警方面，常規(guī)方法是對冰雹云雷達(dá)回波的三維結(jié)構(gòu)特征進(jìn)行總結(jié)，建立冰雹云的特性模型，并將特征用定量指標(biāo)予以描述[52-53]，或者利用雙偏振雷達(dá)的特殊性能進(jìn)行判識[54]，這些研究成果己經(jīng)在很大程度上推進(jìn)了冰雹云的自動識別和臨近預(yù)報(bào)。近年來采用人工智能方法，融合雷達(dá)反射率數(shù)據(jù)、閃電探測數(shù)據(jù)以及ERAS再分析對流指數(shù)數(shù)據(jù)等進(jìn)行分析預(yù)報(bào)，可以極大地提高了模型的魯棒性，并降低誤報(bào)率。Pullman等[55]研究了基于衛(wèi)星圖像的冰雹檢測、預(yù)警新技術(shù)，該技術(shù)采用了主流深度學(xué)習(xí)網(wǎng)絡(luò)。張文海等[56]以雷達(dá)回波反射率的垂直和水平掃描數(shù)據(jù)為基礎(chǔ)訓(xùn)練集，將冰雹云的雷達(dá)反射率掃描數(shù)據(jù)作為正樣本，將其他雷達(dá)反射率掃描數(shù)據(jù)作為負(fù)樣本，通過貝葉斯分類法對正、負(fù)樣本數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)，訓(xùn)練人工智能識別冰雹云內(nèi)在規(guī)律的能力。

3.2 強(qiáng)風(fēng)

針對衛(wèi)星數(shù)據(jù)的氣旋風(fēng)的跟蹤預(yù)報(bào)，Kovordanyi等[57]較早開展了基于神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)了氣旋風(fēng)的跟蹤估計(jì)。Zhang等[58]基于衛(wèi)星圖像序列，根據(jù)當(dāng)前和歷史衛(wèi)星圖像，通過卷積網(wǎng)絡(luò)提取與最具判別性的視覺特征，通過計(jì)算云的局部運(yùn)動信息實(shí)現(xiàn)了短時(shí)大風(fēng)預(yù)報(bào)。Hong等[59]在衛(wèi)星圖像基礎(chǔ)上，提出一種新型專用于臺風(fēng)中心跟蹤的卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)用于提取臺風(fēng)中心顯著判別特征，基于線性回歸模型從而實(shí)現(xiàn)臺風(fēng)中心預(yù)測。Rüttgers等[60]利用最新生成對抗網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)了針對遙感衛(wèi)星數(shù)據(jù)對臺風(fēng)未來6 h軌跡跟蹤。

3.3 閃電

當(dāng)前主流基于衛(wèi)星數(shù)據(jù)的閃電預(yù)測方法都基于不同光譜通道的亮溫觀測，一旦該觀測達(dá)到某一設(shè)定閾值，即推送閃電預(yù)警。Booysens等[61]利用衛(wèi)星時(shí)序數(shù)據(jù)，研究了K-means方法、決策樹方法、樸素貝葉斯方法在閃電檢測和預(yù)警方面的效果。Schon等[62]提出多種基于決策樹技術(shù)和神經(jīng)元網(wǎng)絡(luò)技術(shù)的衛(wèi)星圖像雷電預(yù)警技術(shù)，是近年來較為先進(jìn)的人工智能方法，該技術(shù)核心是將衛(wèi)星圖像的二維光流誤差信息作為決策樹、神經(jīng)元網(wǎng)絡(luò)的輸入，并且認(rèn)為光流誤差是形成閃電對流的主要影響因子，作為卷積網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)了未來15 min雷電精準(zhǔn)預(yù)警。

4 衛(wèi)星資料應(yīng)用

4.1 衛(wèi)星圖像的檢測、識別、分類和預(yù)報(bào)

云檢測識別是利用云和晴空像元在不同光譜段上輻射特性的不同，采用多通道輻射信息，將衛(wèi)星觀測像元分為有云像元和晴空像元[[63]。目前已利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遷移學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)等方法開展了廣泛的衛(wèi)星圖像云檢測工作[64]。Ting等[65]提出一種多特征融合方法，通過融合譜特征、紋理特征和歸一化植被指數(shù)特征，用支持向量機(jī)(SVM)對高分衛(wèi)星圖像進(jìn)行檢測。多特征融合方法是有效的，但其最大的問題在于特征提取方法需要很強(qiáng)的先驗(yàn)知識，因此，云檢測準(zhǔn)確率在很大程度上依賴于底層特征選擇，為解決此問題，Shi等[66]和Cai等[67]分別提出基于深度網(wǎng)絡(luò)的方法，通過網(wǎng)絡(luò)自動挖掘云層的潛在判別信息，衛(wèi)星圖像首先通過線性迭代聚類轉(zhuǎn)換為超像素子區(qū)域，網(wǎng)絡(luò)對每個(gè)子區(qū)域分別檢測識別。Li等[68]提出一種多尺度卷積特征融合技術(shù)，采用自動編碼器模型提取多尺度、高層空間特征，不同層特征融合后，通過主流卷積網(wǎng)絡(luò)可以實(shí)現(xiàn)云檢測分割。

云、霧、雪底層顏色特征和局部紋理特征的相似性，使得如何區(qū)分三者之間形態(tài)也是當(dāng)前人工智能技術(shù)的發(fā)展方向[63-64]。Egli等[69]提出基于多元混合數(shù)據(jù)和隨機(jī)森林的霧檢測方法。Xie等[70]提出多分支深度網(wǎng)絡(luò)方法，每個(gè)分支在多尺度上分別進(jìn)行厚霧、薄霧、無霧的檢測識別。Varade等[71]提出基于稀疏表示和字典學(xué)習(xí)的積雪覆蓋區(qū)域變化識別方法，該方法比基于支持向量機(jī)的方法效果有明顯提升。

黃小燕等[72]建立了相應(yīng)時(shí)間系數(shù)的Shapley-模糊神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)模型，進(jìn)一步預(yù)報(bào)得到的各時(shí)間系數(shù)與空間向量合成，重構(gòu)得到未來時(shí)刻的衛(wèi)星云圖預(yù)報(bào)圖，實(shí)現(xiàn)了云圖6～72 h的長時(shí)效客觀滾動預(yù)測。李德俊等[73]對湖北省多年的冰雹過程衛(wèi)星云圖數(shù)據(jù)進(jìn)行了分析和處理，并利用外推預(yù)報(bào)的方式對冰雹云系進(jìn)行了預(yù)報(bào)，結(jié)果表明其準(zhǔn)確率比主觀識別方法的要高。

4.2氣象要素反演

4.2.1 降水

衛(wèi)星遙感提供的全球尺度的高分辨率衛(wèi)星降水產(chǎn)品，是對地面測量網(wǎng)絡(luò)的稀疏和不均勻的有限補(bǔ)充，同時(shí)可以對氣象雷達(dá)降雨量進(jìn)行驗(yàn)證。為了實(shí)現(xiàn)降水的精確反演，通常需要綜合利用靜止軌道衛(wèi)星數(shù)據(jù)、長波紅外、水汽通道和降水雷達(dá)數(shù)據(jù)等多通道數(shù)據(jù)[74]。目前已經(jīng)形成了許多基于光學(xué)衛(wèi)星的降雨反演技術(shù)[75-77]。Tao等[78]使用堆疊式降噪自動編碼器(SDAE)和PERSIANN(人工神經(jīng)網(wǎng)絡(luò))來估計(jì)GOES衛(wèi)星圖像的大規(guī)模降水，與三層神經(jīng)網(wǎng)絡(luò)模型和PERSIANN-CCS(人工神經(jīng)網(wǎng)絡(luò)-云分類系統(tǒng))模型相比，PERSIANN-SDAE(人工神經(jīng)網(wǎng)絡(luò)-自動編碼器)模型可以有效地捕獲降水事件的形狀和峰值，并估算降水分布。Tao等[79]還利用具有4層全連接DNN(深度神經(jīng)網(wǎng)絡(luò))的SDAE架構(gòu)來提高衛(wèi)星降水產(chǎn)品的質(zhì)量。

4.2.2 云頂高

云頂高對于確定地面的長波輻射和航空安全非常重要。目前利用一些常規(guī)的星載成像儀，例如AVHRR(甚高分辨率輻射計(jì))，HIRS(高分辨率紅外輻射測深儀)，MODIS(中等分辨率成像光譜儀)和VIIRS(可見紅外成像輻射儀)已經(jīng)形成了一些云頂高的氣候數(shù)據(jù)集[80]，由于大多數(shù)基于被動遙感的云頂高反演方法都涉及輻射傳遞模型(RTM)，并且通常在多云的天空中輻射傳遞模型具有很大的不確定性[81-82]，因此云頂高反演的準(zhǔn)確性有限。與衛(wèi)星被動遙感載荷相比，CALIPSO衛(wèi)星任務(wù)上搭載的激光雷達(dá)CALIOP可以使用激光返回信號來更高精度地反演云頂高，這個(gè)云頂高可以視為被動遙感反演云頂高的真值[83]，但其時(shí)間空間分辨率有限。目前比較有意義的一個(gè)嘗試是利用機(jī)器學(xué)習(xí)算法將CALIPSO雷達(dá)數(shù)據(jù)和日本Himawa-8/-9的Himawari成像儀(AHI)數(shù)據(jù)進(jìn)行融合，以提供高精度的云頂高數(shù)據(jù)，MIN等[84]基于CALIPSO雷達(dá)數(shù)據(jù)對四種深度學(xué)習(xí)算法進(jìn)行了比較，另外還開發(fā)了一種聯(lián)合算法，將最優(yōu)機(jī)器學(xué)習(xí)和傳統(tǒng)物理(TRA)算法相結(jié)合，進(jìn)一步降低了云頂高誤差。

4.2.3 氣溶膠光學(xué)厚度

氣溶膠光學(xué)厚度是重要的大氣變量之一，對于氣溶膠光學(xué)厚度反演目前一般有兩種思路。第一種思路是不考慮氣溶膠物理性質(zhì)的情況下，直接利用神經(jīng)網(wǎng)絡(luò)模型建立衛(wèi)星輻射特性與氣溶膠光學(xué)厚度之間的模型，神經(jīng)網(wǎng)絡(luò)輸入主要是衛(wèi)星輻射亮度，輔助變量包括太陽觀測、云量和植被覆蓋等。Vucetic等[85]應(yīng)用集合神經(jīng)網(wǎng)絡(luò)模型，在0.47～2.1 μm之間選擇7個(gè)波長的MODIS輻射、太陽觀測、散射角度、云等作為輸入?yún)?shù)來反演氣溶膠光學(xué)。Kolios等[86]也利用Meteosat衛(wèi)星圖像光譜中心分別為8.7 μm、10.8 μm和12 μm的通道的亮度溫度進(jìn)行了類似的嘗試，反演結(jié)果與地面實(shí)測結(jié)果有較好的一致性。另一個(gè)思路是建立包含氣溶膠物理特性的神經(jīng)網(wǎng)絡(luò)模型，Taylor等[87]將復(fù)雜折射率、單散射反照率、粒徑分布等氣溶膠參數(shù)引入神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)該模型在撒哈拉地區(qū)表現(xiàn)良好。

5 發(fā)展展望

從歷史上看傳統(tǒng)的氣象科學(xué)領(lǐng)域?qū)儆谖锢斫７懂?，與人工智能為兩個(gè)不同的領(lǐng)域，具有理論驅(qū)動與數(shù)據(jù)驅(qū)動兩個(gè)截然不同的科學(xué)范式，然而兩種方法實(shí)際上是互補(bǔ)的。理論驅(qū)動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。除此之外，機(jī)器學(xué)習(xí)在氣象領(lǐng)域中的應(yīng)用還存在如下挑戰(zhàn)，可解釋性、物理一致性、數(shù)據(jù)的復(fù)雜與確定性、缺少標(biāo)記樣本、以及計(jì)算需求。

從目前機(jī)器學(xué)習(xí)在氣象領(lǐng)域各個(gè)方向的應(yīng)用情況來看，具有以下顯著優(yōu)勢[88]：①計(jì)算效率。機(jī)器學(xué)習(xí)模型通常比原始的基于物理方程的確定性模型快幾個(gè)數(shù)量級。②準(zhǔn)確性。一旦有了具有代表性、精確性的大量訓(xùn)練數(shù)據(jù)集，機(jī)器學(xué)習(xí)模型可以比傳統(tǒng)的參數(shù)化過程更精確。③可移植性。其他相關(guān)領(lǐng)域的機(jī)器方法的進(jìn)展和成功可用于解決氣象領(lǐng)域的類似問題。④協(xié)同作用。由于每一種方法都存在不同的優(yōu)缺點(diǎn)，機(jī)器學(xué)習(xí)和傳統(tǒng)方法可以協(xié)同使用，通過實(shí)現(xiàn)最佳的組合提高模型計(jì)算的結(jié)果，如提高模型分辨率，擴(kuò)展預(yù)測范圍，增加集成規(guī)模等等。⑤適用性。機(jī)器學(xué)習(xí)技術(shù)可以適用于多種情形，例如,變量沒有包含物理基礎(chǔ)模型的情形；變量受到物理約束的情形(如守恒定律或平衡方程)；非線性過程；非高斯觀測誤差的情形；對真正的物理過程知之甚少的經(jīng)驗(yàn)數(shù)據(jù)的情形。⑥易用性?，F(xiàn)代機(jī)器學(xué)習(xí)技術(shù)與現(xiàn)代編碼語言和機(jī)器學(xué)習(xí)框架相結(jié)合，例如基于Python的Tensor Flow和Keras，使得當(dāng)前的工具比以前的版本更強(qiáng)大、更容易使用。

但我們也應(yīng)該清醒的認(rèn)識到理論與觀測、假設(shè)生成與理論驅(qū)動、假設(shè)檢驗(yàn)之間的科學(xué)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(xué)研究中不會取代物理建模，而是對物理建模強(qiáng)有力的補(bǔ)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(biāo)是混合建模方法，這些方法應(yīng)遵循物理定律具有概念化和可解釋的結(jié)構(gòu)，同時(shí)在理論薄弱的情況下完全適應(yīng)數(shù)據(jù)[89-90]。因此，下一步的發(fā)展中這兩種方法之間的協(xié)同作用應(yīng)受到更大的關(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，同時(shí)隨著人工智能計(jì)算能力不斷提升，算法不斷優(yōu)化完善，機(jī)器學(xué)習(xí)在氣象科學(xué)應(yīng)用中還將具有以下潛力：①有可能改變傳統(tǒng)的氣象觀測模式，目前地面氣象觀測已經(jīng)基本從傳統(tǒng)的人工觀測轉(zhuǎn)為自動觀測模式，隨著人工智能和機(jī)器學(xué)習(xí)的發(fā)展，基于物聯(lián)網(wǎng)“數(shù)據(jù)眾包”的地面氣象觀測模式將為成為現(xiàn)實(shí)，另外，基于圖像識別的天氣現(xiàn)象觀測儀器將會快速發(fā)展。②加速和改善氣象觀測數(shù)據(jù)的處理，目前來自衛(wèi)星的數(shù)據(jù)量顯著增加，特別是小衛(wèi)星和載荷搭載的商業(yè)天基數(shù)據(jù)呈現(xiàn)快速增長的趨勢，需要開發(fā)新的機(jī)器學(xué)習(xí)質(zhì)量控制，空白圖像填充，衛(wèi)星數(shù)據(jù)反演算法和程序?qū)@些數(shù)據(jù)進(jìn)行快速處理。③進(jìn)一步改善數(shù)值天氣預(yù)報(bào)質(zhì)量，包括改進(jìn)模式的參數(shù)化方案、改善數(shù)據(jù)同化能力、加快并改善數(shù)值模型中的模型物理、 改進(jìn)模型后處理能力等，以及進(jìn)一步提高雷達(dá)、衛(wèi)星圖像等的圖像識別能力，通過圖像識別改進(jìn)臺風(fēng)等極端天氣型的分類和異常檢測，改進(jìn)臨近預(yù)報(bào)能力。④進(jìn)一步推進(jìn)地球科學(xué)的交叉融合[90]。人工智能特別是深度學(xué)習(xí)可以為地球系統(tǒng)各組成部分構(gòu)建新的物理-數(shù)據(jù)聯(lián)合驅(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(xué)中大氣科學(xué)、地理學(xué)、地質(zhì)學(xué)等學(xué)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(shí)進(jìn)一步推進(jìn)各學(xué)科的深度融合。