楊 絢 代 刊 朱躍建

1.國家氣象中心，北京，100081

2.美國國家環(huán)境預(yù)報(bào)中心/環(huán)境模式中心，馬里蘭，20740

1 引言

中國國家級(jí)無縫隙智能網(wǎng)格天氣預(yù)報(bào)業(yè)務(wù)起步于2014年，至2020年已初步形成全國5 km分辨率0—30 d的逐1 h、3 h和12 h，全球10 km分辨率0—10 d逐3 h的氣象要素預(yù)報(bào)產(chǎn)品體系，實(shí)現(xiàn)了天氣預(yù)報(bào)從站點(diǎn)到格點(diǎn)的轉(zhuǎn)變（金榮花等，2019）。該體系根據(jù)不同預(yù)報(bào)時(shí)效和氣象要素，發(fā)展出了相應(yīng)的客觀預(yù)報(bào)方法，表1是根據(jù)預(yù)報(bào)時(shí)效列出的目前中國無縫隙智能網(wǎng)格預(yù)報(bào)的技術(shù)體系。

表1 目前中國無縫隙智能網(wǎng)格預(yù)報(bào)技術(shù)體系Table 1 Current technologies of seamless intelligent grid weather forecasting in China

客觀預(yù)報(bào)方法通常是數(shù)值天氣模式系統(tǒng)的延伸，是智能網(wǎng)格預(yù)報(bào)的關(guān)鍵必要技術(shù)支撐。數(shù)值預(yù)報(bào)模式是現(xiàn)代天氣預(yù)報(bào)業(yè)務(wù)的基石，但受初始場(chǎng)誤差、有限的模式分辨率、不完備的物理參數(shù)化及近似下邊界條件等因素制約，預(yù)報(bào)誤差長期存在（Boeing，2016）。在數(shù)值預(yù)報(bào)模式基礎(chǔ)上發(fā)展合理、客觀、定量的預(yù)報(bào)方法是連接數(shù)值模式與精準(zhǔn)預(yù)報(bào)的橋梁。在天氣預(yù)報(bào)業(yè)務(wù)中，客觀預(yù)報(bào)方法一方面是對(duì)海量數(shù)值模式預(yù)報(bào)信息的處理和融合，為預(yù)報(bào)業(yè)務(wù)流程提供最優(yōu)預(yù)報(bào)起點(diǎn)；另一方面可以推動(dòng)以智能網(wǎng)格預(yù)報(bào)為主線的業(yè)務(wù)流程升級(jí)，將預(yù)報(bào)員從繁重的產(chǎn)品制作中解放出來。然而，隨著數(shù)值預(yù)報(bào)模式數(shù)據(jù)和觀測(cè)數(shù)據(jù)呈指數(shù)級(jí)增長，無縫隙預(yù)報(bào)產(chǎn)品的精細(xì)化要求越來越高，這給進(jìn)一步發(fā)展智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)帶來了嚴(yán)峻的挑戰(zhàn)。

人工智能（AI，Artificial Intelligence）技術(shù)的興起為客觀預(yù)報(bào)方法的發(fā)展提供了新機(jī)遇（Haupt，et al，2021；Vannitsem，et al，2021）。近些年，AI技術(shù)在自然科學(xué)各領(lǐng)域均得到了成功應(yīng)用（Reichstein，et al，2019；Raghu，et al，2020；Bauer，et al，2021；Boukabara，et al，2021）。在天氣預(yù)報(bào)領(lǐng)域，越來越多的研究將AI技術(shù)應(yīng)用于預(yù)報(bào)業(yè)務(wù)的各個(gè)環(huán)節(jié)（Geer，2021；Haupt，et al，2021；Kashinath，et al，2021）。AI技術(shù)尤其是深度學(xué)習(xí)，在預(yù)報(bào)中應(yīng)用的優(yōu)勢(shì)主要體現(xiàn)在天氣系統(tǒng)識(shí)別、海量數(shù)據(jù)處理、空間建模、超分辨率降尺度、時(shí)空預(yù)測(cè)等方面?；谏鲜黾夹g(shù)優(yōu)勢(shì)，歐洲中期天氣預(yù)報(bào)中心（ECMWF，European Centre for Mdeium-Range Weather Forecasts）在2021年初發(fā)布的未來10年發(fā)展規(guī)劃中（Machine learning at ECMWF:A roadmap for the next 10 years，https://www.ecmwf.int/node/19877）闡明了未來AI技術(shù)在ECMWF數(shù)值天氣預(yù)報(bào)流程中的重要性。AI技術(shù)不依賴物理框架，卻能夠部分替代數(shù)值預(yù)報(bào)模式，這促使AI與數(shù)值預(yù)報(bào)模式的關(guān)系成為國際上討論的熱點(diǎn)問題之一（Schultz，et al，2021），有研究從該角度將AI在天氣預(yù)報(bào)中的應(yīng)用分為“硬AI”“中度AI”和“軟AI”（Chantry，et al，2021）。其中，“軟AI”是利用AI技術(shù)優(yōu)化或者替代數(shù)值模式中的部分參數(shù)化方案，以提高模式運(yùn)行的效率（Kasim，et al，2020）；“中度AI”是在模式預(yù)報(bào)解釋應(yīng)用、統(tǒng)計(jì)后處理、統(tǒng)計(jì)降尺度等方面應(yīng)用AI算法改進(jìn)模式預(yù)報(bào)；純數(shù)據(jù)驅(qū)動(dòng)模型稱為“硬AI”，該模型完全替代數(shù)值預(yù)報(bào)模式，形成端到端的預(yù)報(bào)模型。

中國學(xué)者在氣象領(lǐng)域應(yīng)用AI技術(shù)上也進(jìn)行了諸多探討。許小峰（2018）認(rèn)為中國氣象領(lǐng)域的AI應(yīng)用展現(xiàn)出了巨大的潛在價(jià)值與廣闊的應(yīng)用前景，馬雷鳴（2020）回顧了天氣預(yù)報(bào)應(yīng)用AI技術(shù)的進(jìn)展，孫健等（2021）全面歸納了AI技術(shù)在數(shù)值模式預(yù)報(bào)系統(tǒng)中的應(yīng)用。李揚(yáng)等（2021）探討了深度學(xué)習(xí)在改進(jìn)數(shù)值預(yù)報(bào)模式方面的研究進(jìn)展，包括數(shù)值預(yù)報(bào)模式的資料同化、次網(wǎng)格物理過程參數(shù)化及后處理等方面的應(yīng)用前景與挑戰(zhàn)。上述研究從不同角度梳理了AI技術(shù)在天氣預(yù)報(bào)中的應(yīng)用，但未能完全體現(xiàn)其對(duì)智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)的應(yīng)用價(jià)值，尤其未能完全覆蓋智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)的實(shí)際問題和應(yīng)用場(chǎng)景。AI技術(shù)的核心內(nèi)容主要包括傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩部分，兩者都是從有限的觀測(cè)數(shù)據(jù)中學(xué)習(xí)具有一般性的規(guī)律，并利用這些規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的方法。傳統(tǒng)機(jī)器學(xué)習(xí)可以看作淺層學(xué)習(xí)，它的一個(gè)重要特點(diǎn)是不涉及特征學(xué)習(xí)，其特征主要靠人工經(jīng)驗(yàn)或特征轉(zhuǎn)換方法來提取，這個(gè)過程稱為“特征工程”，常見的傳統(tǒng)機(jī)器學(xué)習(xí)算法有：隨機(jī)森林、邏輯回歸等方法。深度學(xué)習(xí)則是從數(shù)據(jù)中自動(dòng)學(xué)習(xí)有效的特征表示，通常用于解決傳統(tǒng)機(jī)器學(xué)習(xí)在高維特征空間擬合能力不足的問題（Hinton，et al，2006；LeCun，et al，2015）。本研究聚焦深度學(xué)習(xí)技術(shù)的相關(guān)應(yīng)用，旨在歸納和總結(jié)深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)應(yīng)用方面的研究進(jìn)展和前景，包括數(shù)值預(yù)報(bào)訂正和解釋應(yīng)用、集合天氣預(yù)報(bào)、相似集合、統(tǒng)計(jì)降尺度、純數(shù)據(jù)驅(qū)動(dòng)的預(yù)報(bào)模型和極端天氣預(yù)報(bào)，同時(shí)探討深度學(xué)習(xí)在智能網(wǎng)格預(yù)報(bào)應(yīng)用中面臨的機(jī)遇、挑戰(zhàn)與應(yīng)對(duì)措施。

2 深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)中的應(yīng)用

2.1 數(shù)值預(yù)報(bào)訂正和解釋應(yīng)用

模式預(yù)報(bào)產(chǎn)品的訂正和解釋應(yīng)用是在數(shù)值模式基礎(chǔ)上結(jié)合觀測(cè)資料，構(gòu)建統(tǒng)計(jì)-動(dòng)力預(yù)報(bào)方法以體現(xiàn)模式無法分辨的局地天氣特征，并獲得更加精準(zhǔn)的氣象要素或其他特需服務(wù)產(chǎn)品。在目前中國的智能網(wǎng)格預(yù)報(bào)技術(shù)體系中，針對(duì)不同氣象要素、不同預(yù)報(bào)時(shí)效采用不同的解釋應(yīng)用方法（金榮花等，2019；曹勇等，2021），如中短期預(yù)報(bào)等。降水預(yù)報(bào)主要采用頻率匹配、最優(yōu)百分位等面向非連續(xù)變量的偏差訂正集成方法；溫度、風(fēng)等連續(xù)變量主要采用模式輸出統(tǒng)計(jì)（MOS，Model Output Statistics）（Glahn，et al，1972）建模方法。然而，MOS等傳統(tǒng)客觀方法主要面向單點(diǎn)或小區(qū)域建模，處理海量數(shù)據(jù)及精細(xì)化網(wǎng)格的能力有限，如逐點(diǎn)建模需要耗費(fèi)巨大計(jì)算資源；同時(shí)該方法以回歸方程建立預(yù)報(bào)因子與預(yù)報(bào)量的關(guān)系，難以體現(xiàn)空間信息對(duì)預(yù)報(bào)變量偏差訂正的影響。

基于深度學(xué)習(xí)的數(shù)值預(yù)報(bào)訂正和解釋應(yīng)用技術(shù)，在挖掘大數(shù)據(jù)非線性關(guān)系和空間建模能力上展現(xiàn)出了顯著優(yōu)勢(shì)?；谏窠?jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型可以利用不同來源的異構(gòu)數(shù)據(jù)，不僅包括各類氣象預(yù)報(bào)因子，還可應(yīng)用地形、下墊面等地理信息數(shù)據(jù)，模型可以從中自動(dòng)學(xué)習(xí)預(yù)報(bào)量與其他協(xié)變量的非線性關(guān)系。另外，該技術(shù)不再局限于單點(diǎn)建模，深度學(xué)習(xí)算法具有很強(qiáng)的空間建模能力，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Networks），該算法具有優(yōu)異的空間特征提取能力，近些年在圖像識(shí)別、數(shù)據(jù)挖掘等領(lǐng)域取得了巨大成功（LeCun，et al，2015；Krizhevsky，et al，2017）。由于天氣預(yù)報(bào)的空間相關(guān)性，將空間化預(yù)報(bào)產(chǎn)品作為圖像輸入模型，對(duì)一定范圍內(nèi)的所有站點(diǎn)或整個(gè)網(wǎng)格構(gòu)建統(tǒng)一的模型，不僅能夠節(jié)約相當(dāng)?shù)挠?jì)算資源，還能捕捉每個(gè)網(wǎng)格或站點(diǎn)的空間信息對(duì)預(yù)報(bào)偏差做訂正。因此，基于深度學(xué)習(xí)的解釋應(yīng)用技術(shù)是進(jìn)一步開展具有局地特征精細(xì)化網(wǎng)格預(yù)報(bào)的有效途徑（Vannitsem，et al，2021）。

人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）是深度學(xué)習(xí)方法的基礎(chǔ)，通過可調(diào)節(jié)的權(quán)重將不同節(jié)點(diǎn)的非線性函數(shù)相互連接，模仿神經(jīng)系統(tǒng)形成多層網(wǎng)絡(luò)。早在20世紀(jì)末，ANN就在客觀預(yù)報(bào)統(tǒng)計(jì)后處理中得到應(yīng)用（Gardner，et al，1998；Marzban，et al，1998；Marzban，2003；Yuan，et al，2007；McGovern，et al，2017）。Salazar等（2021）基于自動(dòng)編碼結(jié)構(gòu)的ANN建立短期地面風(fēng)速訂正模型，在構(gòu)建模型時(shí)納入多個(gè)天氣變量作為輸入因子有效提高了不同地形條件下風(fēng)速預(yù)報(bào)的訂正能力。

目前，數(shù)值模式預(yù)報(bào)訂正和解釋應(yīng)用對(duì)CNN算法的應(yīng)用主要以兩類模型架構(gòu)為主（圖1）。一類是常規(guī)CNN架構(gòu)的模型，經(jīng)過堆疊多個(gè)卷積層等模塊，再鏈接一個(gè)或多個(gè)全連接層作為輸出層構(gòu)成，這種架構(gòu)的CNN模型輸出固定長度的特征向量，在圖像識(shí)別領(lǐng)域常用作對(duì)整張圖像進(jìn)行分類的工具。在模式解釋應(yīng)用領(lǐng)域，一類應(yīng)用是構(gòu)建分類模型，根據(jù)降水的不同等級(jí)對(duì)降水預(yù)報(bào)進(jìn)行訂正，陳錦鵬等（2021）基于該架構(gòu)CNN模型建立了逐時(shí)降水分級(jí)訂正模型，并證明該方法的訂正效果優(yōu)于概率匹配法，CNN模型對(duì)晴雨、弱降水（0.1—15 mm/h）和強(qiáng)降水（30 mm/h以上）訂正效果顯著，TS評(píng)分比概率匹配高出0.137、0.066和0.046。另一類應(yīng)用是構(gòu)建回歸模型，孫全德等（2019）將該架構(gòu)的CNN模型應(yīng)用于地面10 m風(fēng)速預(yù)報(bào)的訂正上。門曉磊等（2019）應(yīng)用這類CNN模型進(jìn)行華北地區(qū)1—11 d地面氣溫預(yù)報(bào)訂正，相比ECMWF預(yù)報(bào)，訂正后的氣溫預(yù)報(bào)在各預(yù)報(bào)時(shí)效上的均方根誤差都有所降低。Zhou等（2019）建立了6層CNN模型應(yīng)用于分類強(qiáng)對(duì)流天氣的潛勢(shì)預(yù)報(bào)，利用NCEP再分析資料開展強(qiáng)對(duì)流天氣的分類訓(xùn)練和預(yù)報(bào)，其預(yù)報(bào)產(chǎn)品已在國家氣象中心強(qiáng)對(duì)流天氣預(yù)報(bào)業(yè)務(wù)中得到應(yīng)用（張小玲等，2018）。另一類CNN算法的應(yīng)用是基于語義分割模型，這種模型是一種編碼器-解碼器（Encoder-Decoder）結(jié)構(gòu)。在圖像識(shí)別領(lǐng)域，語義分割模型應(yīng)用于圖像分類、目標(biāo)檢測(cè)和圖像分割。在算法上，這種模型首先經(jīng)過多個(gè)卷積層等模塊對(duì)輸入圖像進(jìn)行特征提取，再通過上采樣計(jì)算將特征向量進(jìn)行升尺度，最后得到與原圖像分辨率一致的具有逐像素語義標(biāo)注的分割圖像。相較于常規(guī)結(jié)構(gòu)的CNN模型，語義分割模型的優(yōu)勢(shì)是保留了原始圖像的空間信息，常見的語義分割模型有FCN（Long，et al，2015）、U-Net（Ronneberger，et al，2015）等。在模式解釋應(yīng)用中應(yīng)用最廣泛的是U-Net模型，Dupuy等（2021）將U-Net模型應(yīng)用于云量預(yù)報(bào)的統(tǒng)計(jì)后處理，得到比傳統(tǒng)機(jī)器學(xué)習(xí)算法更好的訂正效果。Kudo（2021）利用U-Net模型對(duì)日本關(guān)東地區(qū)的氣溫進(jìn)行偏差訂正，該研究證明了當(dāng)數(shù)值模式對(duì)于天氣系統(tǒng)（如鋒面）的位置預(yù)報(bào)有偏差時(shí)，該模型仍能有效地訂正氣溫預(yù)報(bào)。Han等（2021）基于U-Net對(duì)ECMWF全球模式在華北地區(qū)地面氣溫、相對(duì)濕度、風(fēng)速和風(fēng)向的24—240 h預(yù)報(bào)構(gòu)建訂正模型。張延彪等（2022）在Han等（2021）工作基礎(chǔ)上，對(duì)U-Net模型增加了稠密卷積模 塊（Denseblock）（Huang，et al，2017），相對(duì)于ECMWF原始預(yù)報(bào)，訂正后的地面氣溫均方根誤差降低了36.39%，相對(duì)濕度降低了29.9%，10 m風(fēng)速降低了27.39%。

圖1 基于CNN算法的數(shù)值模式預(yù)報(bào)訂正和解釋應(yīng)用的常用結(jié)構(gòu)和流程Fig.1 Flowchart of statistical postprocessing for numerical weather prediction using CNN

此外，有研究利用長短期記憶（LSTM，Long Short-Term Memory）（Hochreiter，et al，1997）算法討論了時(shí)間序列特征在預(yù)報(bào)解釋應(yīng)用上的優(yōu)勢(shì)（Zhang C J，et al，2020），該算法在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent Neural Network）基礎(chǔ)上加入了門控機(jī)制（Gating Mechanism），解決了RNN在處理長序列時(shí)會(huì)出現(xiàn)的梯度爆炸和消失問題。Zhang C J等（2020）利用ECMWF集合預(yù)報(bào)模式的對(duì)照預(yù)報(bào)數(shù)據(jù)，基于LSTM算法構(gòu)建了中國東部地區(qū)12 h不同量級(jí)的降水預(yù)報(bào)訂正模型，相對(duì)于頻率匹配及傳統(tǒng)機(jī)器學(xué)習(xí)算法，在訂正小雨和暴雨量級(jí)時(shí)的效果更好。

2.2 集合天氣預(yù)報(bào)

集合天氣預(yù)報(bào)是表達(dá)預(yù)報(bào)不確定性的重要手段。相對(duì)于確定性預(yù)報(bào)，模式原始輸出的集合預(yù)報(bào)常存在一階系統(tǒng)偏差和二階離散度偏差。因此，集合預(yù)報(bào)后處理技術(shù)需要糾正系統(tǒng)偏差和調(diào)整離散度，產(chǎn)生連續(xù)的概率分布或代表連續(xù)分布抽樣的離散集合成員，以提升集合預(yù)報(bào)的可靠性和準(zhǔn)確度。集合預(yù)報(bào)統(tǒng)計(jì)后處理方法通常包括基于特定概率分布的參數(shù)化方法和靈活的非參數(shù)化方法，已有學(xué)者對(duì)應(yīng)用廣泛的集合預(yù)報(bào)統(tǒng)計(jì)后處理方法進(jìn)行了全面的回顧（Vannitsem，et al，2018；代刊等，2018）。

隨著深度學(xué)習(xí)在集合預(yù)報(bào)統(tǒng)計(jì)后處理方面的應(yīng)用，參數(shù)化和非參數(shù)化后處理技術(shù)均迎來了新的擴(kuò)展。Schultz等（2021）全面回顧了目前基于神經(jīng)網(wǎng)絡(luò)在陣風(fēng)集合預(yù)報(bào)上的后處理方法，包括幾種參數(shù)化和非參數(shù)化方案，并與傳統(tǒng)統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)習(xí)方法進(jìn)行比較，參考該工作，圖2給出了基于深度學(xué)習(xí)模型的集合預(yù)報(bào)后處理常用方法示意。

圖2 基于深度學(xué)習(xí)模型的集合預(yù)報(bào)后處理的常用方法示意Fig.2 Illustration of current statistical postprocessing methods for ensemble forecasts using deep learning models

相對(duì)于傳統(tǒng)統(tǒng)計(jì)學(xué)方法，基于深度學(xué)習(xí)的集合預(yù)報(bào)統(tǒng)計(jì)后處理展現(xiàn)出三個(gè)方面的優(yōu)勢(shì)：一是深度學(xué)習(xí)模型能夠靈活地?cái)M合任意預(yù)測(cè)變量和概率分布函數(shù)的非線性關(guān)系。二是深度學(xué)習(xí)模型可以充分利用全部可用的數(shù)據(jù)作為輸入，允許加入其他預(yù)報(bào)變量以及地形、下墊面等多尺度信息；同時(shí)利用“嵌入”方法可以把站點(diǎn)信息轉(zhuǎn)化為向量輸入模型，這種嵌入將映射到整個(gè)模型訓(xùn)練過程中，從而增加模型的本地化特征，這在傳統(tǒng)統(tǒng)計(jì)學(xué)方法中是較難實(shí)現(xiàn)的，這些預(yù)報(bào)變量或本地化信息的加入對(duì)預(yù)報(bào)的效果有明顯提升作用。三是利用深度學(xué)習(xí)對(duì)所有預(yù)報(bào)站點(diǎn)或整個(gè)網(wǎng)格構(gòu)建統(tǒng)一的、具有局地適應(yīng)性的模型成為可能，這在計(jì)算上更為高效，且更易推廣到其他統(tǒng)計(jì)后處理的問題中。

參數(shù)化集合預(yù)報(bào)方法將離散的預(yù)報(bào)成員轉(zhuǎn)變?yōu)檫B續(xù)的概率分布，該方法應(yīng)用最具代表性的是集合模式輸出統(tǒng)計(jì)（EMOS，Ensemble Model Output Statistics）（Gneiting，et al，2005），預(yù)先假定預(yù)報(bào)量服從某種概率分布，通過建立預(yù)報(bào)變量與概率分布參數(shù)的函數(shù)關(guān)系進(jìn)而求解連續(xù)概率預(yù)報(bào)分布函數(shù)。基于深度學(xué)習(xí)的參數(shù)化集合預(yù)報(bào)后處理方法相對(duì)于EMOS，不再需要提前指定預(yù)報(bào)變量與概率分布參數(shù)的關(guān)系函數(shù)，而是直接利用神經(jīng)網(wǎng)絡(luò)通過數(shù)據(jù)驅(qū)動(dòng)方式自動(dòng)學(xué)習(xí)任意預(yù)報(bào)變量和分布參數(shù)的非線性關(guān)系，避免預(yù)先指定關(guān)系函數(shù)的局限，因此，該方法在擬合集合預(yù)報(bào)變量和指定分布函數(shù)時(shí)更加靈活。Rasp等（2018）首次提出基于神經(jīng)網(wǎng)絡(luò)的集合預(yù)報(bào)參數(shù)化后處理方案，該工作利用ANN確定地面氣溫集合預(yù)報(bào)高斯分布的參數(shù)。在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時(shí)，將其他集合預(yù)報(bào)因子作為輸入放入模型，同時(shí)嵌入站點(diǎn)信息，利用連續(xù)排序概率得分（CRPS，Continuous Ranked Probability Score）作為損失函數(shù)進(jìn)行模型訓(xùn)練。結(jié)果表明，相較于EMOS和機(jī)器學(xué)習(xí)等方法，基于神經(jīng)網(wǎng)絡(luò)訂正后氣溫集合預(yù)報(bào)的CRPS改善明顯，相對(duì)于ECMWF原始預(yù)報(bào)，EMOS訂正后的氣溫預(yù)報(bào)CRPS降低了13%，基于神經(jīng)網(wǎng)絡(luò)的CRPS降低了29%。Ghazvinian等（2021）將該方法應(yīng)用于中、短期降水集合預(yù)報(bào)的訂正，利 用ANN擬 合 刪 失 偏 移 的Γ分 布（CSGD，Censored Shifted Gamma Distribution）的參數(shù)來訂正降水概率預(yù)報(bào)。

基于深度學(xué)習(xí)的非參數(shù)化集合預(yù)報(bào)后處理方案，目標(biāo)是預(yù)測(cè)集合預(yù)報(bào)變量的完整概率分布。以目前的研究來看，實(shí)現(xiàn)這一目標(biāo)主要有3種方法（圖2）：一是基于神經(jīng)網(wǎng)絡(luò)的條件分位數(shù)回歸方法（Xu，et al，2017；Cannon，2018），該方法是分位數(shù)回歸方法（Bremnes，2004）的擴(kuò)展，這種方法利用神經(jīng)網(wǎng)絡(luò)得到分位數(shù)函數(shù)的近似值，從而擬合預(yù)報(bào)變量的概率分布。Cannon（2018）提出用單調(diào)復(fù)合分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)模型估計(jì)極端降水。Bremnes（2020）將分位數(shù)函數(shù)改進(jìn)為伯恩斯坦多項(xiàng)式的線性組合，其系數(shù)通過神經(jīng)網(wǎng)絡(luò)計(jì)算得到，在訓(xùn)練模型時(shí)所用的損失函數(shù)是分位數(shù)損失。第2種是適用性更強(qiáng)的概率分布估計(jì)方法，該方法通過直方圖將預(yù)報(bào)變量進(jìn)行離散化處理，將預(yù)估預(yù)報(bào)變量的概率分布問題轉(zhuǎn)化為分類任務(wù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)預(yù)報(bào)要素在預(yù)先指定的分倉值（Bins）內(nèi)的概率來估計(jì)概率密度分布，實(shí)現(xiàn)這種方法的方式之一是在深度學(xué)習(xí)模型的輸出層使用softmax激活函數(shù)，訓(xùn)練模型的損失函數(shù)可以是分類交叉熵（Categorical cross-entropy），也可以是CRPS或負(fù)對(duì)數(shù)似然估計(jì)（Negative log-likelihood）等（Veldkamp，et al，2021）。Scheuerer等（2020）利用該方法基于ANN對(duì)中、短期降水集合預(yù)報(bào)進(jìn)行統(tǒng)計(jì)后處理，相對(duì)于傳統(tǒng)方法得到了更高的降水概率預(yù)報(bào)可靠性。上述工作主要以ANN建模，然而簡單的神經(jīng)網(wǎng)絡(luò)并不適用于高維空間數(shù)據(jù)，越來越多的工作將CNN算法應(yīng)用于集合預(yù)報(bào)統(tǒng)計(jì)后處理中。Veldkamp等（2021）基于CNN通過直方圖訂正方法對(duì)風(fēng)速集合預(yù)報(bào)的概率分布進(jìn)行建模，構(gòu)建CNN模型時(shí)將站點(diǎn)周圍一定區(qū)域內(nèi)的空間變量輸入模型進(jìn)行訓(xùn)練，這項(xiàng)工作還比較了線性回歸、分位數(shù)回歸森林（QRF，Quantile regression forests）（Meinshausen，2006；Taillardat，et al，2016）、神經(jīng)網(wǎng)絡(luò)的參數(shù)化和非參數(shù)化方案對(duì)未來48 h風(fēng)速概率預(yù)報(bào)的訂正能力，結(jié)果表明基于CNN且使用softmax作為輸出層的訂正模型具有最好的訂正技能，訂正后風(fēng)速的均方根誤差比線性回歸方法降低了21.2%，比QRF方法降低了14.8%，且對(duì)于較大風(fēng)速（超過10 m/s）的訂正效果好于其他方法。Gr?nquist等（2021）基于U-Net模型實(shí)現(xiàn)了850 hPa溫度和500 hPa位勢(shì)高度集合預(yù)報(bào)的偏差訂正。第3種方法是Finn（2021）提出的將基于自注意機(jī)制的Transformer（Vaswani，et al，2017）模型應(yīng)用于集合預(yù)報(bào)統(tǒng)計(jì)后處理，該方法是逐成員訂 正（MBM，Member-By-Member）（van Schaeybroeck，et al，2015）的擴(kuò)展。Finn（2021）的工作表明，自注意機(jī)制可以學(xué)習(xí)集合成員之間的相互作用，Transformer模型能夠從集合成員之間的相互作用中提取額外信息，從而有效訂正集合預(yù)報(bào)的系統(tǒng)偏差和離散度偏差。另一大亮點(diǎn)是，該模型不再利用集合成員的統(tǒng)計(jì)量，而是直接處理全部集合成員，并且輸出訂正后空間連貫的一組集合成員。為了與簡單神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，該工作引用Rasp等（2018）的 工 作 結(jié)果，對(duì)ECMWF的 地 面2 m氣溫集合預(yù)報(bào)進(jìn)行偏差訂正，結(jié)果表明，Transformer模型的訂正預(yù)報(bào)準(zhǔn)確率更高，比ECMWF原始集合預(yù)報(bào)和Rasp等（2018）神經(jīng)網(wǎng)絡(luò)模型的CRPS分別降低了21.1%和2.4%。

此外，量化預(yù)報(bào)的不確定是集合預(yù)報(bào)的目標(biāo)之一。Gr?nquist等（2021）基于ResNet架構(gòu)建立集合預(yù)報(bào)的不確定量化模型，ResNet架構(gòu)是基于殘差學(xué)習(xí)模塊的CNN模型（He，et al，2016），相對(duì)于一般結(jié)構(gòu)的CNN模型，ResNet可以構(gòu)建更深的網(wǎng)絡(luò)層數(shù)而不易過擬合，從而有更好的空間特征提取能力。該研究證明了將深度學(xué)習(xí)應(yīng)用于集合預(yù)報(bào)的不確定性量化可以有效提高集合預(yù)報(bào)不確定性的量化技能，同時(shí)，只需少量集合成員就能夠提供比原始集合成員更有效的預(yù)報(bào)不確定性信息，由此大幅度減少集合預(yù)報(bào)模式的計(jì)算量。

2.3 相似集合

相似集合（AnEn，Analog Ensemble）是一種基于相似理論、大數(shù)據(jù)挖掘和集合預(yù)報(bào)思路的統(tǒng)計(jì)后處理方法（Delle Monache，et al，2011，2013），該方法假設(shè)在長期、穩(wěn)定的數(shù)值模式預(yù)報(bào)中對(duì)于同一地點(diǎn)、相同起報(bào)時(shí)間和預(yù)報(bào)時(shí)效具有穩(wěn)定的預(yù)報(bào)性能（即具有相似的預(yù)報(bào)誤差分布特征），通過尋找與當(dāng)前預(yù)報(bào)最相似的若干歷史預(yù)報(bào)，由其預(yù)報(bào)量的觀測(cè)值組成相似集合，并利用集合預(yù)報(bào)的概念生成訂正后 的 確 定 性 和 概 率 預(yù) 報(bào)（Delle Monache，et al，2013；Junk，et al，2015）。AnEn方法已在氣象要素預(yù)報(bào)訂正、極端天氣事件預(yù)估、統(tǒng)計(jì)降尺度等方面獲 得 廣 泛 應(yīng) 用（Keller，et al，2017；Sperati，et al，2017；Alessandrini，et al，2019；王在文等，2019）。

將深度學(xué)習(xí)技術(shù)引入AnEn主要是利用深度學(xué)習(xí)模型生成概率預(yù)報(bào)。Cervone等（2017）提出了一種基于ANN的AnEn方法，生成光伏發(fā)電站未來72 h發(fā)電量的概率預(yù)報(bào)，首先利用ANN生成確定性預(yù)報(bào)，再將預(yù)報(bào)結(jié)果作為AnEn中的附加預(yù)報(bào)因子組成相似集合。Fanfarillo等（2021）利用條件變分自編碼器（CVAE，Conditional Variational Auto Encoder）（Sohn，et al，2015）生成基于相似集合的概率預(yù)報(bào)，CVAE是一種深度生成模型（DGM，Deep Generative Model），DGM是以概率的形式隨機(jī)生成觀測(cè)數(shù)據(jù)的模型，常用于概率密度估計(jì)和生成樣本?；贑VAE的AnEn方法通過訓(xùn)練模型學(xué)習(xí)歷史氣象觀測(cè)數(shù)據(jù)集中預(yù)報(bào)要素的概率分布，相較于原始AnEn方法，在相似集合的組成方式上不再使用一組相似的實(shí)際觀測(cè)數(shù)據(jù)集合，而是使用預(yù)報(bào)要素的概率分布直接生成訂正后的概率預(yù)報(bào)。預(yù)報(bào)性能方面，目前AnEn更好，然而，AnEn方法的計(jì)算成本較大，需要將歷史預(yù)報(bào)數(shù)據(jù)和觀測(cè)數(shù)據(jù)集保存在內(nèi)存里，而CVAE模型不需要內(nèi)存的消耗，因此能夠節(jié)省大量的計(jì)算資源和時(shí)間。

原始AnEn方法在計(jì)算歷史預(yù)報(bào)與當(dāng)前預(yù)報(bào)的“相似度”時(shí)，以兩者的歐式距離作為相似性指標(biāo)（Delle Monache，et al，2013）。Hu等（2021）提出全新的基于深度學(xué)習(xí)的相似性指標(biāo)和相似集合計(jì)算流程，該流程顛倒了原始AnEn方法的計(jì)算過程，首先找到與目標(biāo)預(yù)報(bào)相似的一組歷史觀測(cè)值，搜索相對(duì)應(yīng)的歷史預(yù)報(bào)組成相似集合；該流程的實(shí)現(xiàn)基于LSTM算法，通過建立模式預(yù)報(bào)誤差與觀測(cè)之間的模型得到。這項(xiàng)工作優(yōu)化了原始AnEn方法，突破了計(jì)算歐氏距離需要進(jìn)行特征選擇和權(quán)重優(yōu)化的限制，利用深度學(xué)習(xí)空間建模能力，允許輸入更多預(yù)報(bào)因子，能夠靈活地建立模式預(yù)報(bào)誤差與觀測(cè)的非線性關(guān)系。同時(shí)，該方法對(duì)于數(shù)值模式更新具有更高的魯棒性。

2.4 統(tǒng)計(jì)降尺度

統(tǒng)計(jì)降尺度用于實(shí)現(xiàn)模式預(yù)報(bào)要素從粗網(wǎng)格到細(xì)網(wǎng)格的轉(zhuǎn)化。傳統(tǒng)的降尺度方法通過雙線性插值實(shí)現(xiàn)，忽略了低分辨率和高分辨率預(yù)報(bào)要素的統(tǒng)計(jì)關(guān)系，準(zhǔn)確度有限。在目前的智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)中，降水的統(tǒng)計(jì)降尺度采用比例矢量降尺度技術(shù)（曹勇等，2016）。有研究（Sachindra，et al，2018；Yang，et al，2018；Vandal，et al，2019）對(duì)過去經(jīng)典的降尺度技術(shù)和傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行比較，結(jié)果表明沒有哪種算法有明顯的優(yōu)勢(shì)。鑒于深度學(xué)習(xí)優(yōu)異的圖像重構(gòu)能力，給統(tǒng)計(jì)降尺度技術(shù)帶來了可期待的潛力。

深度學(xué)習(xí)作為擅長挖掘數(shù)據(jù)間非線性映射關(guān)系的技術(shù)，已在統(tǒng)計(jì)降尺度中得到了應(yīng)用。Misra等（2018）利用長、短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNLSTM）進(jìn)行統(tǒng)計(jì)降尺度，相較于傳統(tǒng)回歸方法，RNN-LSTM模型能夠更好地反映局地降雨的時(shí)、空關(guān)系。Pan等（2019）利用CNN進(jìn)行統(tǒng)計(jì)降尺度以改善模式降水預(yù)報(bào)的分辨率，與線性回歸、鄰回歸、隨機(jī)森林或全連接深度神經(jīng)網(wǎng)絡(luò)相比表現(xiàn)出明顯優(yōu)勢(shì)。Ba?o-Medina等（2020）評(píng)估了CNN模型在氣溫和降水統(tǒng)計(jì)降尺度上的性能，結(jié)果優(yōu)于線性和廣義線性方法，并能在細(xì)網(wǎng)格上重現(xiàn)氣溫極端值。

超分辨率（SR，Super-Resolution）是深度學(xué)習(xí)在計(jì)算機(jī)視覺中提高圖像或視頻分辨率的圖像處理技術(shù)。近年來，基于深度學(xué)習(xí)的超分辨率重構(gòu)技術(shù)取得了重大突破，極大提高了圖像超分辨率重建的準(zhǔn)確度，Wang等（2021）全面回顧了SR技術(shù)的發(fā)展歷程和最新進(jìn)展，該技術(shù)為氣象領(lǐng)域統(tǒng)計(jì)降尺度提供了新的契機(jī)。

超分辨率卷積神經(jīng)網(wǎng)絡(luò)（SRCNN，Super-Resolution Convolutional Neural Network）是深度學(xué)習(xí)在SR技術(shù)上的開山之作（Chao，et al，2014）。Vandal等（2017）提出深度統(tǒng)計(jì)降尺度技術(shù)（Deep Statistical Downscaling，DeepSD），是首次將SR技術(shù)應(yīng)用于氣象領(lǐng)域。Deep SD用多尺度輸入通道增強(qiáng)了SRCNN，最大限度地提高了統(tǒng)計(jì)降尺度的可預(yù)測(cè)性。至此，SRCNN和Deep SD成為基于深度學(xué)習(xí)技術(shù)在統(tǒng)計(jì)降尺度方面的基準(zhǔn)模型。Kumar等（2021）比較了SRCNN、堆疊SRCNN和Deep SD三種算法在降水預(yù)報(bào)上的統(tǒng)計(jì)降尺度效果，結(jié)果表明基于Deep SD算法的均方根誤差最小。H?hlein等（2020）提出基于U-Net架構(gòu)的統(tǒng)計(jì)降尺度模型（Deep RU），結(jié) 果 表 明Deep RU能 夠 實(shí) 現(xiàn) 其他CNN算法降尺度模型無法重建的風(fēng)場(chǎng)結(jié)構(gòu)，且計(jì)算高效。Sha等（2020a，2020b）對(duì)U-Net模型進(jìn)行了改進(jìn)，實(shí)現(xiàn)了美國西部地區(qū)從0.258°到4 km網(wǎng)格氣溫、降水的統(tǒng)計(jì)降尺度，與原U-Net相比，該模型的平均絕對(duì)誤差降低10%以上。

近些年，SR技術(shù)的發(fā)展趨勢(shì)由以CNN算法為基礎(chǔ)的統(tǒng)計(jì)降尺度模型向DGM轉(zhuǎn)變。在統(tǒng)計(jì)降尺度中應(yīng)用最廣泛的DGM是生成式對(duì)抗網(wǎng)絡(luò)（GAN，Generative Adversarial Networks）（Goodfellow，et al，2014），GAN是近些年復(fù)雜分布無監(jiān)督學(xué)習(xí)最具前景的方法之一。GAN由生成模型和判別模型組成，通過兩類模型的對(duì)抗行為優(yōu)化模型參數(shù)，產(chǎn)生新的樣本。增強(qiáng)超分辨率GAN模型（ESRGAN，Enhanced Super-Resolution Generative Adversarial Networks）（Wang，et al，2018）是這類方法在統(tǒng)計(jì)降尺度上的典型模型，Singh等（2019）利用ESRGAN模型對(duì)地面風(fēng)速實(shí)現(xiàn)4倍分辨率的統(tǒng)計(jì)降尺度，與雙三次插值和SRCNN算法進(jìn)行對(duì)比，ESRGAN模型結(jié)果的峰值信噪比（PSNR，Peak Signal to Noise Ration）有了明顯改善，這表明ESRGAN對(duì)高頻功率譜的信息捕捉得更好。然而，GAN仍存在一定局限，包括模型訓(xùn)練難以收斂、生成樣本缺乏多樣性且不可控等，針對(duì)這些問題，Goodfellow等（2014）提出條件生成對(duì)抗網(wǎng)絡(luò)（CGAN，Conditional Generative Adversarial Nets），對(duì)生成模型或判別模型引入額外信息作為約束條件。Leinonen等（2021）分別利用低分辨率雷達(dá)數(shù)據(jù)和衛(wèi)星數(shù)據(jù)作為約束條件構(gòu)建CGAN模型，實(shí)現(xiàn)降水預(yù)報(bào)的時(shí)間降尺度。Price等（2022）利用細(xì)網(wǎng)格雷達(dá)觀測(cè)數(shù)據(jù)構(gòu)建CGAN模型，同時(shí)實(shí)現(xiàn)了大尺度全球數(shù)值模式預(yù)報(bào)的訂正和統(tǒng)計(jì)降尺度，輸入模型的預(yù)報(bào)數(shù)據(jù)是ECMWF集合預(yù)報(bào)并采用雙線性插值至32 km，輸出4 km網(wǎng)格美國地區(qū)的降水集合預(yù)報(bào)，其預(yù)報(bào)性能比線性方法、基于CNN降尺度模型要好，CRPS和各等級(jí)降水Brier分?jǐn)?shù)與區(qū)域模式區(qū)域高分辨率集合模式（HREF，High-Resolution Ensemble Forecast）相當(dāng)。這是具有啟發(fā)性和突破性的，利用深度學(xué)習(xí)技術(shù)將大尺度全球模式預(yù)報(bào)降尺度至高分辨率預(yù)報(bào)只需要幾秒鐘，而高分辨率區(qū)域模式的計(jì)算成本則是較大的，且兩者的預(yù)報(bào)性能相當(dāng)，由此對(duì)運(yùn)行高成本區(qū)域模式的必要性提出了思考。

2.5 純數(shù)據(jù)驅(qū)動(dòng)的預(yù)報(bào)模型

近些年，隨著高分辨率、高頻率衛(wèi)星、雷達(dá)等氣象觀測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)模式輸出數(shù)據(jù)的指數(shù)級(jí)增長以及深度學(xué)習(xí)技術(shù)的飛速發(fā)展，使得天氣預(yù)報(bào)由深度學(xué)習(xí)模型直接輸出成為可能。純數(shù)據(jù)驅(qū)動(dòng)預(yù)報(bào)模型作為“硬AI”，獨(dú)立于數(shù)值預(yù)報(bào)模式，不再通過求解復(fù)雜的物理微分方程，而是通過深度學(xué)習(xí)算法建立數(shù)據(jù)間的非線性關(guān)系并輸出預(yù)報(bào)結(jié)果，形成端到端的天氣預(yù)報(bào)過程，是深度學(xué)習(xí)技術(shù)在天氣預(yù)報(bào)領(lǐng)域的研究熱點(diǎn)。

純數(shù)據(jù)驅(qū)動(dòng)模型首先在臨近預(yù)報(bào)中獲得廣泛應(yīng)用。由于模式啟動(dòng)時(shí)間、非高斯數(shù)據(jù)同化等問題，數(shù)值預(yù)報(bào)模式在0—2 h臨近預(yù)報(bào)上表現(xiàn)不佳（Sun，2005；Buehner，et al，2020）；雷達(dá)回波外推是氣象臨近預(yù)報(bào)業(yè)務(wù)的重要手段（Germann，et al，2002，2004），目前，投入業(yè)務(wù)應(yīng)用的方法主要基于光流法（Optical flow）（Horn，et al，1981），但由于拉格朗日守恒和平滑運(yùn)動(dòng)場(chǎng)假設(shè)，這類方法仍存在無法判斷系統(tǒng)生消演變等特征的局限（Prudden，et al，2020）。

基于深度學(xué)習(xí)的臨近預(yù)報(bào)模型不依賴物理框架，通過雷達(dá)等觀測(cè)數(shù)據(jù)訓(xùn)練模型并預(yù)報(bào)回波的運(yùn)動(dòng)過程，可以很好地模擬傳統(tǒng)方法難以預(yù)測(cè)的非線性降水，已有研究對(duì)這方面工作做了全面回顧（Shi，et al，2018；Prudden，et al，2020；周康輝等，2021a）。最早應(yīng)用神經(jīng)網(wǎng)絡(luò)做降水臨近預(yù)報(bào)的是French等（1992）的工作，但該研究并沒有發(fā)現(xiàn)比拉格朗日守恒更高的預(yù)報(bào)技巧。一個(gè)里程碑式的工作是Shi等（2015）提出的基于卷積長短時(shí)記憶模型（Conv LSTM，Convolutional LSTM），該模型成功實(shí)現(xiàn)了臨近降水量預(yù)報(bào)，ConvLSTM融合了CNN提取圖像特征和LSTM處理序列數(shù)據(jù)的能力，解決了時(shí)、空序列預(yù)報(bào)問題，相比光流法展現(xiàn)出更好的時(shí)、空捕捉能力。隨后，數(shù)據(jù)驅(qū)動(dòng)短期臨近預(yù)報(bào)取得了快速發(fā)展（Shi，et al，2017，2018）。Agrawal等（2019）把臨近降水預(yù)報(bào)當(dāng)作圖像問題進(jìn)行處理，利用雷達(dá)場(chǎng)數(shù)據(jù)進(jìn)行基于CNN的U-Net模型訓(xùn)練，得到未來1小時(shí)1 km空間分辨率的降水預(yù)報(bào)，其預(yù)報(bào)準(zhǔn)確率超過了基于光流法的模型，然而當(dāng)預(yù)報(bào)時(shí)效超過5 h，數(shù)值預(yù)報(bào)模式將優(yōu)于U-Net。Google公司提出基于注意力機(jī)制的深度學(xué)習(xí)降水預(yù)報(bào)模型MetNet（Kaae S?nderby，et al，2020），該模型融合了雷達(dá)、衛(wèi)星、降水等觀測(cè)數(shù)據(jù)，實(shí)現(xiàn)了1 km空間分辨率、2 min時(shí)間分辨率在美國區(qū)域提前7—8 h的降水預(yù)報(bào)，該模型預(yù)測(cè)的1 mm降水準(zhǔn)確率超過了快速更新同化高分辨率數(shù)值模式（HRRR，High Resolution Rapid Refresh）的臨近降水預(yù)報(bào)，同時(shí)計(jì)算效率大幅度提高。清華大學(xué)軟件學(xué)院分別提出預(yù)測(cè)循環(huán)神經(jīng)網(wǎng)絡(luò)（PredRNN，Predictive Recurrent Neural Network）和 運(yùn) 動(dòng) 循 環(huán) 神 經(jīng) 網(wǎng) 絡(luò)（Motion-RNN，Motion Recurrent Neural Network）模 型（Wang，et al，2017，2021），對(duì)捕捉和預(yù)測(cè)動(dòng)作空間和時(shí)間內(nèi)部復(fù)雜變化的能力有顯著提升，并應(yīng)用于短時(shí)臨近雷達(dá)回波的預(yù)報(bào)。針對(duì)強(qiáng)對(duì)流天氣預(yù)報(bào)，中國的強(qiáng)對(duì)流天氣研究進(jìn)展與天氣雷達(dá)、氣象衛(wèi)星、閃電定位儀、自動(dòng)氣象站等觀測(cè)密切相關(guān)（Zhang X L，et al，2020；俞小鼎等，2020），Zhou等（2020）融合了雷達(dá)回波、衛(wèi)星云圖、閃電密度等多源觀測(cè)資料，基于CNN構(gòu)建語義分割模型提取中國部分地區(qū)閃電時(shí)空發(fā)生、發(fā)展特征，實(shí)現(xiàn)了0—1 h的閃電預(yù)報(bào)，且具備一定的對(duì)流系統(tǒng)生消演變的預(yù)報(bào)能力。

然而，數(shù)據(jù)驅(qū)動(dòng)臨近降水預(yù)報(bào)出現(xiàn)的普遍問題是隨著時(shí)間推移，回波會(huì)越來越平滑、強(qiáng)度會(huì)越來越弱（Shi，et al，2017；Ayzel，et al，2020），這使深度學(xué)習(xí)模型在預(yù)報(bào)大量級(jí)降水時(shí)會(huì)出現(xiàn)嚴(yán)重低估的現(xiàn)象。這種現(xiàn)象出現(xiàn)的主要原因是模型訓(xùn)練時(shí)為了使損失函數(shù)最小化，深度學(xué)習(xí)的算法策略會(huì)減弱對(duì)峰值的預(yù)測(cè)，趨向于用平均值替代。為了改善由損失函數(shù)帶來的不確定性，有研究者提出應(yīng)用DGM進(jìn)行臨近預(yù)報(bào)，這類模型學(xué)習(xí)可觀測(cè)樣本的概率密度并隨機(jī)生成新樣本，其損失函數(shù)是數(shù)據(jù)分布與模型分布的距離，在估計(jì)兩者距離上，傳統(tǒng)方法通常是求解極大似然函數(shù)。GAN（Goodfellow，et al，2014）作為一類典型的DGM，它的成功就在于將難以求解的似然函數(shù)轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)，讓模型自己訓(xùn)練出合適的參數(shù)擬合似然函數(shù)。Deep Mind公司研發(fā)了基于CGAN從雷達(dá)數(shù)據(jù)的條件分布中生成臨近降水概率預(yù)報(bào)模型（Ravuri，et al，2021），該模型引入有條件的正則化項(xiàng)用于懲罰真實(shí)雷達(dá)序列和模型預(yù)測(cè)平均值的網(wǎng)格分辨率偏差，該模型比平流法（PySTEPS）能更好地捕捉環(huán)流系統(tǒng)的強(qiáng)度和結(jié)構(gòu)，在所有降水等級(jí)上都具有更好的預(yù)報(bào)準(zhǔn)確率，相對(duì)于U-Net生成了更接近實(shí)況的大量級(jí)降水預(yù)報(bào)。除了臨近降水預(yù)報(bào)，利用深度學(xué)習(xí)空間相關(guān)的建模能力，有學(xué)者還對(duì)氣象觀測(cè)數(shù)據(jù)不足且局地性強(qiáng)的山谷地區(qū)進(jìn)行臨近預(yù)報(bào)，Dupuy等（2019）利用山谷周邊的氣象觀測(cè)數(shù)據(jù)基于ANN生成了局地山谷風(fēng)速和風(fēng)向的臨近預(yù)報(bào)。

對(duì)于中、短期預(yù)報(bào)，已有研究（Weyn，et al，2021；Rasp，et al，2021；Chattopadhyay，et al，2022；Keisler，2022；Pathak，et al，2022）探索利用純數(shù)據(jù)驅(qū)動(dòng)模型直接預(yù)報(bào)的可行性。這類模型主要基于數(shù)值天氣預(yù)報(bào)模式輸出的長序列數(shù)據(jù)集進(jìn)行訓(xùn)練，其中，Rasp等（2021）以及Weyn等（2021）構(gòu)建模型應(yīng)用的算法都是CNN，這兩項(xiàng)工作構(gòu)建全球天氣預(yù)報(bào)模型的空間分辨率相對(duì)較低，分別是5.625°和1.9°，預(yù)報(bào)性能僅與常見低分辨率數(shù)值模式相當(dāng)。Pathak等（2022）構(gòu)建了基于傅里葉變換的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模 型（FourCastNet，F(xiàn)ourier ForeCasting Neural Network），應(yīng)用的深度學(xué)習(xí)算法主要是Vision Transformer（Dosovitskiy，et al，2021），該模型的空間分辨率達(dá)到0.25°，能夠提供全球短、中期地面風(fēng)速和降水量等預(yù)報(bào)，其預(yù)報(bào)性能與ECMWF綜合預(yù)報(bào)系統(tǒng)（IFS，Integrated Forecasting System）相當(dāng)。同時(shí)，F(xiàn)ourCastNet能夠以不到2 s的時(shí)間生成未來7 d的預(yù)報(bào)，比ECMWF IFS快了幾個(gè)數(shù)量級(jí)。Keisler（2022）利用圖神經(jīng)網(wǎng)絡(luò)（GNNs，Graph Neural Networks）（Pfaff，et al，2020）構(gòu)建全球天氣預(yù)報(bào)模型，提供關(guān)鍵等壓面上位勢(shì)高度、溫度、風(fēng)等6個(gè)變量未來6 d的預(yù)報(bào)，空間分辨率為1°，其預(yù)報(bào)準(zhǔn)確率與ECMWF IFS和GFS（Global Forecast System）的水平相當(dāng)。

2.6 極端天氣預(yù)報(bào)

數(shù)值預(yù)報(bào)模式通常難以準(zhǔn)確理解和模擬極端天氣的物理過程，因此極端天氣預(yù)報(bào)一直是天氣預(yù)報(bào)領(lǐng)域的難題。Liu等（2016）基于氣候數(shù)據(jù)集，首次利用CNN模型檢測(cè)到數(shù)據(jù)集中的極端天氣，但該項(xiàng)工作并沒有擴(kuò)展到極端天氣預(yù)報(bào)上。

基于深度學(xué)習(xí)的純數(shù)據(jù)驅(qū)動(dòng)模型，在預(yù)報(bào)臨近極端天氣方面展現(xiàn)出新的前景和挑戰(zhàn)。Guastavino等（2021）結(jié)合CNN和LSTM算法構(gòu)建模型，利用雷達(dá)數(shù)據(jù)實(shí)現(xiàn)臨近雷暴天氣的預(yù)報(bào)、預(yù)警。在2.5節(jié)中已提到，深度學(xué)習(xí)在臨近降水預(yù)報(bào)中面臨的主要挑戰(zhàn)是預(yù)報(bào)結(jié)果過于平滑，這種缺陷會(huì)導(dǎo)致極端天氣被嚴(yán)重低估（Frei，et al，2019；Foresti，et al，2019）；即使改進(jìn)損失函數(shù)的設(shè)計(jì)仍難以避免這一問題（Brehmer，et al，2019）。為提高極端降水預(yù)報(bào)技能，F(xiàn)ranch等（2020）提出以模型堆疊（stacking）的方式構(gòu)建深度模型集合，并在模型訓(xùn)練中加入地形數(shù)據(jù)，模型輸出不同降水等級(jí)閾值的概率分布來判斷極端降水發(fā)生的概率，依此提高極端降水臨近預(yù)報(bào)的能力。

針對(duì)中、短期極端天氣預(yù)報(bào)，純數(shù)據(jù)驅(qū)動(dòng)預(yù)報(bào)模型的價(jià)值主要體現(xiàn)在能夠快速輸出大量集合預(yù)報(bào) 樣 本（Weyn，et al，2021；Chattopadhyay，et al，2022；Pathak，et al，2022），從而有利于改善概率預(yù)報(bào)，在一定程度上提高極端天氣事件早預(yù)警的可靠性。數(shù)值預(yù)報(bào)模式生成集合預(yù)報(bào)的計(jì)算成本較高，而通過數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)模型生成大規(guī)模集合預(yù)報(bào)的速度比傳統(tǒng)模式快幾個(gè)量級(jí)，計(jì)算成本要低很多。Pathak等（2022）構(gòu)建的FourCastNet模型一旦訓(xùn)練完成，僅用幾秒便可以生成有上千個(gè)集合成員的集合預(yù)報(bào)，但在極端天氣預(yù)報(bào)技能上，該模型的極端降水預(yù)報(bào)仍不及ECMWF IFS模式。Chattopadhyay等（2020）利用500 hPa高度場(chǎng)和平均溫度場(chǎng)的集合預(yù)報(bào)數(shù)據(jù)進(jìn)行模型訓(xùn)練，以相似預(yù)報(bào)的思路實(shí)現(xiàn)了北美地區(qū)未來1—5 d極端氣溫的預(yù)報(bào)，對(duì)北美地區(qū)未來5 d內(nèi)寒潮或熱浪事件的發(fā)生和區(qū)域的準(zhǔn)確率達(dá)到80%。這項(xiàng)工作利用的深度學(xué)習(xí)算法 是 膠囊神經(jīng)網(wǎng)絡(luò)（CapsNets，Capsule Neural Networks）（Sabour，et al，2017），該算法是在圖像識(shí)別領(lǐng)域中提出的，解決了CNN算法無法分辨提取的特征屬性之間關(guān)系的缺陷。在中、長期預(yù)報(bào)方面，Jacques-Dumas等（2021）利用氣候模式輸出的長達(dá)1000 a的氣象數(shù)據(jù)集，基于CNN模型提前15 d預(yù)報(bào)出持續(xù)熱浪事件。

3 面臨的挑戰(zhàn)與應(yīng)對(duì)

目前，大部分面向氣象學(xué)科的深度學(xué)習(xí)算法還處于研發(fā)階段，實(shí)際應(yīng)用效果還有待評(píng)估（Irrgang，et al，2021）。與理論研究不同，深度學(xué)習(xí)技術(shù)要在智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)體系中應(yīng)用還將面臨諸多挑戰(zhàn)，根本挑戰(zhàn)體現(xiàn)在以下三個(gè)方面：一是氣象領(lǐng)域的學(xué)者或業(yè)務(wù)人員對(duì)深度學(xué)習(xí)算法的認(rèn)識(shí)不足，包括如何從眾多深度學(xué)習(xí)算法中選擇適用于智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)應(yīng)用的算法等。二是數(shù)據(jù)基礎(chǔ)，這是深度學(xué)習(xí)在智能網(wǎng)格預(yù)報(bào)應(yīng)用的最根本挑戰(zhàn)。深度學(xué)習(xí)只是一個(gè)工具，其應(yīng)用完全依賴于高質(zhì)量、可靠的數(shù)據(jù)集，然而目前中國可用于AI算法訓(xùn)練的數(shù)據(jù)集還較為缺乏。三是深度學(xué)習(xí)對(duì)預(yù)報(bào)機(jī)理的解釋不足，從而導(dǎo)致氣象領(lǐng)域?qū)W者或業(yè)務(wù)人員對(duì)深度學(xué)習(xí)的可信度和可用性的理解不充分，對(duì)深度學(xué)習(xí)技術(shù)的接受度不高。

基于上述挑戰(zhàn)，提出七點(diǎn)具體的應(yīng)對(duì)措施進(jìn)行討論，包括算法的選擇、數(shù)據(jù)基礎(chǔ)、多源數(shù)據(jù)融合及模型的可解釋性、可信度、可用性和工程化。

3.1 算法的選擇

深度學(xué)習(xí)技術(shù)是以處理計(jì)算機(jī)視覺等問題為核心發(fā)展起來的，氣象領(lǐng)域的研究人員首先要面臨的挑戰(zhàn)是如何從眾多算法中選擇適合的算法來解決實(shí)際預(yù)報(bào)問題，如何連接深度學(xué)習(xí)技術(shù)與智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)需求，如何評(píng)估深度學(xué)習(xí)在智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)中的適用性等問題。這就要求氣象研究人員對(duì)深度學(xué)習(xí)的主要算法、模型架構(gòu)有深入理解，通過開展深度學(xué)習(xí)算法在智能網(wǎng)格預(yù)報(bào)各個(gè)環(huán)節(jié)上的研究和試驗(yàn)，了解各類算法的優(yōu)缺點(diǎn)和適用性，根據(jù)氣象領(lǐng)域知識(shí)建立一套算法評(píng)估體系，針對(duì)不同預(yù)報(bào)任務(wù)、不同預(yù)報(bào)要素、不同預(yù)報(bào)時(shí)效等的深度學(xué)習(xí)算法應(yīng)用進(jìn)行比較和優(yōu)化，以實(shí)現(xiàn)深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)中的應(yīng)用。表2是深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)各環(huán)節(jié)的算法、應(yīng)用效果和主要參考文獻(xiàn)，供研究人員參考。

表2 深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)應(yīng)用的主要算法和模型列表Table 2 List of main algorithms and models of deep learning in intelligent grid weather forecasting

3.2 算法的數(shù)據(jù)基礎(chǔ)

深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)中應(yīng)用的最大挑戰(zhàn)是缺乏可用于訓(xùn)練的高質(zhì)量數(shù)據(jù)集（Chantry，et al，2021）。深度學(xué)習(xí)是構(gòu)建數(shù)據(jù)間非線性映射關(guān)系的技術(shù)，數(shù)據(jù)集的數(shù)量和質(zhì)量決定了模型效果的上限。深度學(xué)習(xí)技術(shù)之所以能夠在近些年獲得飛速發(fā)展，除了得益于算法和硬件的提升，更重要的因素是在圖像識(shí)別領(lǐng)域，由全球上萬名工作人員共同創(chuàng)建了一系列標(biāo)準(zhǔn)數(shù)據(jù)集，最著名的如ImageNet數(shù)據(jù)集（Deng，et al，2009；Krizhevsky，et al，2017）。通過標(biāo)準(zhǔn)數(shù)據(jù)集和標(biāo)準(zhǔn)化的模型性能指標(biāo)，全球科研人員迅速開展了深度學(xué)習(xí)算法的研發(fā)，通過結(jié)果的直接對(duì)比與驗(yàn)證，使研發(fā)的算法具有可信度和說服力。因此，標(biāo)準(zhǔn)數(shù)據(jù)集是淬煉深度學(xué)習(xí)算法不斷升級(jí)的煉金石。

在氣象領(lǐng)域，國外已有團(tuán)隊(duì)研發(fā)了氣象標(biāo)準(zhǔn)數(shù)據(jù)集，如WeatherBench數(shù)據(jù)集（Rasp，et al，2020）、RainBench數(shù)據(jù)集（Witt，et al，2020），這給氣象領(lǐng)域研發(fā)人員對(duì)比不同算法在網(wǎng)格預(yù)報(bào)中的效果提供了重要基礎(chǔ)。然而，中國在這方面還非常缺乏，這將成為AI在中國天氣預(yù)報(bào)領(lǐng)域發(fā)展的根本障礙，因此，迫切需要?dú)庀箢I(lǐng)域的研究人員共同建立長歷史、統(tǒng)計(jì)特性一致的模式數(shù)據(jù)，整理和開發(fā)用于訓(xùn)練和檢驗(yàn)的長序列、高分辨率、高質(zhì)量的觀測(cè)和再分析數(shù)據(jù)。同時(shí)，亟待構(gòu)建極端天氣或高影響天氣數(shù)據(jù)集，這類數(shù)據(jù)集由于觀測(cè)樣本少、分類標(biāo)準(zhǔn)不明確等問題在構(gòu)建上具有挑戰(zhàn)。中國國家氣象信息中心在AI數(shù)據(jù)集方面做了大量工作，已發(fā)布強(qiáng)對(duì)流天氣人工智能應(yīng)用訓(xùn)練基礎(chǔ)數(shù)據(jù)集（劉娜等，2021），該數(shù)據(jù)集包括2012—2019年中國大陸區(qū)域的雷暴、短時(shí)強(qiáng)降水等5種強(qiáng)對(duì)流天氣的大量個(gè)例和樣本，為中國強(qiáng)對(duì)流天氣智能識(shí)別和預(yù)報(bào)應(yīng)用提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

另外，隨著數(shù)值預(yù)報(bào)模式的發(fā)展，其版本在不斷更新，不同版本數(shù)值模式預(yù)報(bào)的偏差會(huì)發(fā)生改變。有研究采用時(shí)間自適應(yīng)（Lang，et al，2020）、響應(yīng)理論（Demaeyer，et al，2020）等統(tǒng)計(jì)后處理方案應(yīng)對(duì)該問題。然而，模式改變將影響統(tǒng)計(jì)模型的整體性能（Lang，et al，2020；Vannitsem，et al，2021），為獲得具有一致性的訓(xùn)練數(shù)據(jù)集，理想的應(yīng)對(duì)措施是采用與實(shí)時(shí)模式相同的模式版本對(duì)過去幾十年的預(yù)報(bào)進(jìn)行回算（Hamill，et al，2013），利用回算預(yù)報(bào)數(shù)據(jù)集訓(xùn)練模型，以達(dá)到更好的預(yù)報(bào)效果。

3.3 多源數(shù)據(jù)融合

在多源數(shù)據(jù)及多種客觀預(yù)報(bào)技術(shù)發(fā)展的背景下，提高智能網(wǎng)格預(yù)報(bào)的精細(xì)化水平，更有效地解決預(yù)報(bào)時(shí)效和預(yù)報(bào)方法上的協(xié)調(diào)一致達(dá)到無縫隙連接是智能網(wǎng)格預(yù)報(bào)亟待解決的關(guān)鍵問題（曹勇等，2021）。有效融合海量氣象觀測(cè)、多源模式預(yù)報(bào)數(shù)據(jù)及下墊面等局地特征數(shù)據(jù)是解決上述兩個(gè)關(guān)鍵問題的方案之一。多源數(shù)據(jù)融合的關(guān)鍵技術(shù)難點(diǎn)在于如何實(shí)現(xiàn)不同時(shí)空尺度、不同頻次數(shù)據(jù)的特征提取與融合。

深度學(xué)習(xí)對(duì)處理海量數(shù)據(jù)有顯著優(yōu)勢(shì)，這必然會(huì)給多源數(shù)據(jù)融合技術(shù)提供新的契機(jī)。基于深度學(xué)習(xí)的多源數(shù)據(jù)融合，以目前的研究來看，主要有三個(gè)研究方向：一是多源觀測(cè)數(shù)據(jù)的融合，這類融合技術(shù)已廣泛應(yīng)用于基于深度學(xué)習(xí)的純數(shù)據(jù)驅(qū)動(dòng)的臨近預(yù)報(bào)模型中。二是多源模式預(yù)報(bào)的融合，de Ruiter（2021）利用CNN算法的圖像處理能力，對(duì)全球低分辨率模式和區(qū)域高分辨率模式數(shù)據(jù)進(jìn)行融合，實(shí)現(xiàn)的中期降水概率預(yù)報(bào)比單一模式預(yù)報(bào)效果要好。三是融合多源觀測(cè)數(shù)據(jù)和數(shù)值預(yù)報(bào)數(shù)據(jù)，能夠在一定程度上解決預(yù)報(bào)時(shí)效一致性等問題。周康輝等（2021b）利用多源數(shù)據(jù)融合的深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了臨近到短時(shí)預(yù)報(bào)的無縫隙過渡，該工作基于CNN構(gòu)建了一個(gè)雙輸入單輸出的語義分割模型，雙輸入為分別輸入衛(wèi)星、雷達(dá)、閃電等多源觀測(cè)數(shù)據(jù)和CMA_GFS模式預(yù)報(bào)數(shù)據(jù)，利用模型將兩類數(shù)據(jù)進(jìn)行融合并輸出0—6 h的閃電落區(qū)預(yù)報(bào)，其預(yù)報(bào)結(jié)果比單純使用多源觀測(cè)數(shù)據(jù)或高分辨率模式預(yù)報(bào)要好。Schaumann等（2021）利用神經(jīng)網(wǎng)絡(luò)融合了雷達(dá)數(shù)據(jù)和高分辨率數(shù)值預(yù)報(bào)產(chǎn)品，實(shí)現(xiàn)了1—6 h降水預(yù)報(bào)。

3.4 模型的可解釋性

深度學(xué)習(xí)利用統(tǒng)計(jì)方法建立數(shù)據(jù)間的非線性關(guān)系，難以解釋其中的物理機(jī)制，常常因缺乏可解釋性被認(rèn)為是“黑箱模型”，即使其生成的輸出結(jié)果看起來合理，但往往很難在物理一致性上得到解釋和驗(yàn)證（Irrgang，et al，2021）。這在一定程度上限制了該技術(shù)在行業(yè)內(nèi)的應(yīng)用和認(rèn)可。同時(shí)，深度學(xué)習(xí)模型最終目標(biāo)需要對(duì)所學(xué)內(nèi)容進(jìn)行解釋，而不局限于預(yù)測(cè)結(jié)果本身（Toms，et al，2020）。

已有許多學(xué)者開展了在科學(xué)領(lǐng)域的深度學(xué)習(xí)可解釋性研究（Raghu，et al，2020；Roscher，et al，2020），并做了全面回顧（Zhang，et al，2021）?？山忉屝缘膶?shí)質(zhì)是對(duì)深度學(xué)習(xí)模型的決策過程進(jìn)行理解，根據(jù)研究的不同角度可解釋性研究主要分為兩類：一類為特征歸屬，即基于模型的輸入特征對(duì)模型貢獻(xiàn)的重要程度來解釋模型的內(nèi)在機(jī)制，所用的方法主要有通過執(zhí)行特征消融、特征擾動(dòng)、特征置換等方式分析特征因子的重要性。另一類為模型檢查，這類方法著眼于檢查和分析模型不同的神經(jīng)網(wǎng)絡(luò)單元學(xué)到了什么特征（Bau，et al，2017），并用可視化的方式顯示神經(jīng)網(wǎng)絡(luò)的內(nèi)在工作機(jī)制，因此也稱為模型可視化方法，這類方法是深度學(xué)習(xí)可解釋性研究的熱點(diǎn)（Roscher，et al，2020）。模型檢查的傳統(tǒng)方法有Shapely值（Shapley，1953），但該方法計(jì)算成本高，Lundberg等（2017）針對(duì)AI領(lǐng)域提出了更高效的方法—SHAP值，其代碼已在github上開源（https://github.com/slundberg/shap）。

在氣象預(yù)報(bào)應(yīng)用領(lǐng)域，已有學(xué)者對(duì)深度學(xué)習(xí)方法的可解釋性展開了深入討論（Lagerquist，et al，2019；McGovern，et al，2019；Ebert-Uphoff，et al，2020；Toms，et al，2020）。典 型 的 工 作 是Mc Govern等（2019）全面梳理了深度學(xué)習(xí)在天氣預(yù)報(bào)應(yīng)用中常見的可視化解釋方法，包括顯著圖（Saliency maps）（Simonyan，et al，2014）、基于梯度權(quán)重的激活圖（Grad-CAM，Gradient-weighted Class-Activation Maps）（Selvaraju，et al，2020）等方法。分層相關(guān)傳 播（LRP，Layer-wise Relevance Propagation）（Montavon，et al，2017）作為深度學(xué)習(xí)可解釋方法，目前尚未在預(yù)報(bào)領(lǐng)域得到廣泛應(yīng)用，卻有著很大的潛力（Ebert-Uphoff，et al，2020），Toms等（2020）介紹了該方法在地球科學(xué)領(lǐng)域中的成功應(yīng)用。該方法基于泰勒分解算法利用反向傳播計(jì)算得到深度學(xué)習(xí)模型標(biāo)簽間的相關(guān)，通過生成熱圖（heat map）的方式顯示神經(jīng)網(wǎng)絡(luò)每一層的工作機(jī)制。

上述方法在理解深度學(xué)習(xí)模型的決策過程上取得了一定進(jìn)展，然而，目前深度學(xué)習(xí)技術(shù)無法考慮大氣運(yùn)動(dòng)的基本物理規(guī)律，在短期內(nèi)難以完全替代數(shù)值預(yù)報(bào)模式進(jìn)行獨(dú)立預(yù)報(bào)。因此，將數(shù)值預(yù)報(bào)模式與深度學(xué)習(xí)相結(jié)合是提高該技術(shù)在預(yù)報(bào)領(lǐng)域應(yīng)用的有效措施之一。利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)大量的、高頻的、小尺度觀測(cè)數(shù)據(jù)與多源的、低頻的、相對(duì)大尺度的模式預(yù)報(bào)數(shù)據(jù)融合，彌補(bǔ)觀測(cè)數(shù)據(jù)和模式預(yù)報(bào)數(shù)據(jù)之間不同時(shí)、空尺度的信息提取和轉(zhuǎn)換問題，是深度學(xué)習(xí)在智能網(wǎng)格預(yù)報(bào)應(yīng)用的重要發(fā)展方向。

3.5 模型的可信度

深度學(xué)習(xí)模型存在潛在的不確定性。由于深度學(xué)習(xí)算法不依賴物理框架的計(jì)算，會(huì)出現(xiàn)模型結(jié)果并不符合基本物理原理的問題（Reichstein，et al，2019），這就導(dǎo)致其不能很好地泛化到新的數(shù)據(jù)集中。有研究討論了深度學(xué)習(xí)在自然科學(xué)領(lǐng)域應(yīng)用時(shí)常面臨的不確定性特征，包括偶然不確定性和認(rèn)知不確定性（Kendall，et al，2017；Lakshminarayanan，et al，2017）。偶然不確定性是由數(shù)據(jù)引起的，是在訓(xùn)練數(shù)據(jù)集中存在一些噪音，從而影響模型泛化；認(rèn)知不確定性是由模型本身引起的，是模型在測(cè)試集中遇到訓(xùn)練集和驗(yàn)證集中沒出現(xiàn)的樣本特征產(chǎn)生的認(rèn)知不確定。

因此，對(duì)模型的準(zhǔn)確率、泛化能力、可復(fù)用性進(jìn)行多維度評(píng)估是深度學(xué)習(xí)在預(yù)報(bào)業(yè)務(wù)中應(yīng)用的重要前提，也是提高深度學(xué)習(xí)技術(shù)可信度的應(yīng)對(duì)措施之一。深度學(xué)習(xí)模型在智能網(wǎng)格預(yù)報(bào)的理論研究越來越成熟，然而算法的比較方式、模型可信度的度量標(biāo)準(zhǔn)、模型適應(yīng)性的評(píng)估指標(biāo)等問題需要在預(yù)報(bào)業(yè)務(wù)應(yīng)用之前進(jìn)行全面制定和評(píng)估。模型結(jié)果首先需要與預(yù)報(bào)要素的基準(zhǔn)客觀算法進(jìn)行對(duì)比，依此來度量深度學(xué)習(xí)模型的準(zhǔn)確性和可信度。在訓(xùn)練模型時(shí)，要求遵循標(biāo)準(zhǔn)訓(xùn)練流程，明確區(qū)分?jǐn)?shù)據(jù)的訓(xùn)練集、驗(yàn)證集和測(cè)試集，以確保它們之間沒有因時(shí)間相關(guān)而導(dǎo)致模型的不確定性。針對(duì)不同預(yù)報(bào)要素，選擇合適的、公認(rèn)的標(biāo)準(zhǔn)評(píng)估指標(biāo)檢驗(yàn)?zāi)Ｐ托阅苁墙⒛Ｐ涂尚哦鹊闹匾绞健?/p>

3.6 模型的可用性

一個(gè)能夠在智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)應(yīng)用的深度學(xué)習(xí)模型，除了需要嚴(yán)格度量其準(zhǔn)確性和可信度外，還必須評(píng)估其運(yùn)算效率、穩(wěn)定性、可行性等可用性指標(biāo)，同時(shí)，還應(yīng)具有一定的物理意義。模型的可用性包括對(duì)模型不確定性和適用性的評(píng)估，需要根據(jù)模型的不確定性特征指定適應(yīng)性場(chǎng)景。例如，數(shù)據(jù)驅(qū)動(dòng)臨近降水預(yù)報(bào)模型的預(yù)報(bào)結(jié)果存在過于平滑的不確定性（Shi，et al，2017；Ayzel，et al，2020），這就導(dǎo)致在目前的研究階段這類模型更適用于弱量級(jí)降水預(yù)報(bào)，對(duì)于強(qiáng)降水預(yù)報(bào)，尤其是極端降水的預(yù)報(bào)還不適用。

為了得到具有物理意義的深度學(xué)習(xí)模型，一個(gè)有效的策略是將物理機(jī)制和天氣預(yù)報(bào)相關(guān)知識(shí)融入到模型中，根據(jù)不同預(yù)報(bào)要素的特征選擇或優(yōu)化具有物理意義的損失函數(shù)，這不僅使模型在物理機(jī)制上具有可解釋性，還能夠提高模型的預(yù)報(bào)效果和泛化能力，這種方法也被稱為基于物理機(jī)制的正則化方法（Schultz，et al，2021）。例如，Larraondo等（2020）提出了一種降水預(yù)報(bào)損失函數(shù)優(yōu)化方案，利用數(shù)學(xué)方法將降水預(yù)報(bào)常用的檢驗(yàn)指標(biāo)可微分化，建立針對(duì)降水預(yù)報(bào)的損失函數(shù)，有效提高了模型的降水預(yù)報(bào)技能。

3.7 模型的工程化

深度學(xué)習(xí)技術(shù)在智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)中應(yīng)用的實(shí)現(xiàn)就是其工程化過程。不同于理論研究，基于業(yè)務(wù)應(yīng)用的深度學(xué)習(xí)模型不僅要確保其可信度和可用性，還要完成具有及時(shí)性、可操作性、可部署、可管理的全鏈路工程化生產(chǎn)。在實(shí)際業(yè)務(wù)中，數(shù)值預(yù)報(bào)模式版本更新、模型的及時(shí)調(diào)優(yōu)是深度學(xué)習(xí)技術(shù)在預(yù)報(bào)業(yè)務(wù)中應(yīng)用的關(guān)鍵（Vannitsem，et al，2021）。數(shù)值模式版本更新會(huì)導(dǎo)致預(yù)報(bào)偏差發(fā)生改變，需要構(gòu)建新版本模式數(shù)據(jù)訓(xùn)練集對(duì)深度學(xué)習(xí)模型進(jìn)行再次訓(xùn)練。然而，深度學(xué)習(xí)模型不需要從頭開始訓(xùn)練，利用遷移學(xué)習(xí)技術(shù)可以在之前模型的基礎(chǔ)上，以共享參數(shù)等方式對(duì)新訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，從而快速實(shí)現(xiàn)參數(shù)更新以適應(yīng)新的數(shù)據(jù)，避免浪費(fèi)過多的計(jì)算資源和模型更新時(shí)間。另外，基于深度學(xué)習(xí)模型運(yùn)行的高效性，模型一旦訓(xùn)練完成，可以快速滾動(dòng)融入最新數(shù)據(jù)生成整個(gè)網(wǎng)格的預(yù)報(bào)結(jié)果，為業(yè)務(wù)應(yīng)用提供較好的及時(shí)性。

4 展望

深度學(xué)習(xí)技術(shù)在近幾年取得了突破性進(jìn)展，為智能網(wǎng)格預(yù)報(bào)技術(shù)的提升提供了新的機(jī)遇和挑戰(zhàn)。如何通過理論創(chuàng)新發(fā)揮深度學(xué)習(xí)的作用，如何將深度學(xué)習(xí)技術(shù)與智能網(wǎng)格預(yù)報(bào)相結(jié)合，構(gòu)建面向氣象的可復(fù)用、可驗(yàn)證、可解釋的深度學(xué)習(xí)模型等問題已成為深度學(xué)習(xí)在智能網(wǎng)格預(yù)報(bào)應(yīng)用上的關(guān)鍵挑戰(zhàn)。

AI技術(shù)在智能網(wǎng)格預(yù)報(bào)應(yīng)用離不開高質(zhì)量數(shù)據(jù)集，數(shù)據(jù)集是AI技術(shù)應(yīng)用最核心的因素。目前，中國還尚缺乏長歷史序列、高分辨率、高質(zhì)量的回算預(yù)報(bào)數(shù)據(jù)集，這制約了AI技術(shù)在網(wǎng)格預(yù)報(bào)應(yīng)用的發(fā)展。因此，在未來迫切需要建立中國的長歷史、統(tǒng)計(jì)特性一致的高質(zhì)量人工智能訓(xùn)練數(shù)據(jù)集，以促進(jìn)AI技術(shù)在氣象領(lǐng)域的深入應(yīng)用。同時(shí)，AI技術(shù)應(yīng)用還離不開氣象領(lǐng)域從業(yè)人員對(duì)它的認(rèn)識(shí)，應(yīng)加強(qiáng)人才培養(yǎng)，提高業(yè)務(wù)人員對(duì)AI產(chǎn)品的接受度。

在可預(yù)見的未來，智能網(wǎng)格預(yù)報(bào)技術(shù)將以數(shù)值模式為核心，以高質(zhì)量實(shí)況客觀分析資料為基礎(chǔ)，研發(fā)基于AI技術(shù)的智能網(wǎng)格預(yù)報(bào)體系。包括研發(fā)面向氣象數(shù)據(jù)特點(diǎn)的AI算法適應(yīng)性研究，開展AI技術(shù)與數(shù)值預(yù)報(bào)模式融合研究，探索各類算法在天氣預(yù)報(bào)中的可解釋性，揭開應(yīng)用的“黑匣子”。未來的智能網(wǎng)格預(yù)報(bào)就是應(yīng)用AI技術(shù)將海量的、高頻的、小尺度觀測(cè)數(shù)據(jù)與大量的、低頻的、大中尺度數(shù)值模式預(yù)報(bào)相融合，同時(shí)納入地理信息等數(shù)據(jù)，基于深度學(xué)習(xí)等技術(shù)學(xué)習(xí)大量數(shù)據(jù)的內(nèi)在規(guī)律和局地特征，提高智能網(wǎng)格預(yù)報(bào)的精細(xì)化水平。同時(shí)，通過正則化等方法將預(yù)報(bào)員的經(jīng)驗(yàn)內(nèi)化在模型中，實(shí)現(xiàn)真正的客觀化預(yù)報(bào)。通過發(fā)展算法先進(jìn)、穩(wěn)定可靠、自主可控的智能預(yù)報(bào)系統(tǒng)，全面支撐天氣監(jiān)測(cè)評(píng)估、災(zāi)害天氣預(yù)報(bào)、影響預(yù)報(bào)及風(fēng)險(xiǎn)預(yù)警等核心業(yè)務(wù)，重點(diǎn)實(shí)現(xiàn)水文、生態(tài)、海洋、環(huán)境等專業(yè)領(lǐng)域的預(yù)報(bào)智能化。