我國氣象領域應用人工智能技術的現狀和國際對比

■ 唐偉 周勇＊ 董昊 張定媛 趙文芳

（作者單位：唐偉，周勇，中國氣象局氣象干部培訓學院，中國氣象局發展研究中心；張定媛，中國氣象局氣象干部培訓學院； 董昊，天津市氣象局；趙文芳，北京市氣象信息中心）

2006年以來，人工智能（AI）在全球掀起第三次浪潮，一般被稱為“新一代人工智能”或“人工智能2.0”。這次發展浪潮和前兩次有兩點明顯不同：一是得益于硬件越來越便宜、大規模并行計算能力越來越強以及大數據的出現，人工智能在深度學習算法上取得突破性進展；二是這一次浪潮的影響已經遠遠超出學術界之外，政府、企業都開始謀劃和投入人工智能技術和產業。

1 人工智能技術發展現狀

根據《人工智能標準化白皮書（2018版）》定義，人工智能是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。

人工智能的結構化層次從下往上依次是基礎設施層、算法層、技術層、應用層（圖1）。其中算法層是人工智能的核心，機器學習算法是人工智能技術應用的主要算法之一。常用的機器學習算法有邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、梯度提升決策樹（GBRT）、人工神經網絡（ANN）等。深度神經網絡（深度學習）算法是神經網絡算法的一個最新分支，具體算法包括深度玻爾茲曼機（DBM）、深度信念網絡（DBN）、卷積神經網絡（CNN）、循環神經網絡（RNN）、長短期記憶網絡（LSTM）等。基礎設施層包括硬件、計算能力和大數據基礎等。利用機器學習算法，人工智能的主要技術方向包括賦予計算機感知/分析能力的計算機視覺（圖像處理）和語音技術、提供理解/思考能力的自然語言處理技術、提供決策/交互能力的規劃決策系統和大數據/統計分析技術等。應用層即具體技術，包括圖像識別、圖像理解、模式識別、視頻識別、語音識別等。

圖1 人工智能的層次結構（引自《人工智能》，騰訊研究院等著）

2 人工智能在我國氣象領域的應用

我國氣象部門基于當今業務需求的新一代人工智能預研究大多從2017年開始，主要的研發應用場景有5類：一是基于視頻分析與模式識別的氣象觀測智能識別，相關單位有浙江省氣象局、中國氣象局氣象探測中心等；二是基于深度學習的臨近預報（雷達圖像外推、降水臨近預報、累積降水預報、強對流分類概率預報等），相關單位有國家氣象中心、公共氣象服務中心、上海市氣象臺、福建省氣象臺、廣東省氣象臺、香港天文臺等；三是基于機器學習的定量降水客觀預報和臺風集合預報，相關單位有國家氣象中心、公共氣象服務中心、廣西區氣象局等；四是基于機器學習的數值預報訂正，相關單位有北京市氣象局、上海市氣象臺、福建省氣象臺等；五是人機互動的預報智能編輯和基于自然語言生成的預報產品智能生成，相關單位有國家氣象中心、公共氣象服務中心、上海市氣象臺等。這些應用場景中，基于深度學習的臨近預報已經取得了一定進展。預報模型不僅能跟蹤雷達回波的移動方向，而且能較好地反映雷達回波的生消變化，較傳統雷達回波外推方法取得了一些新的進展。

人工智能在商業氣象服務公司中的應用則從2014年起得到開展，并在精細化預報上取得較高準確率。北京彩徹區明科技有限公司（簡稱彩云天氣）基于氣象部門的天氣雷達資料，采用了深度學習算法，建立了0～2小時逐分鐘、空間分辨率為1 km的臨近降水預報。北京墨跡風云科技股份有限公司（簡稱墨跡天氣）利用氣象部門雷達回波圖和衛星云圖，通過深度學習預測降雨云團的趨勢，并結合智能手機的定位功能，發布用戶所在位置的即時天氣情況。此外，阿里巴巴、百度、IBM中國研究院、騰訊等IT巨頭在氣象中也有所涉獵。總的來說，商業氣象服務公司因為人才、技術等先發優勢，對人工智能技術的應用超前于氣象部門。

3 國際上氣象領域人工智能的應用

國外氣象領域對人工智能的研究和應用自20世紀90年代開始開展，已有很多可借鑒的成果。一些研究針對強風暴開展預測研究，如采用前饋神經網絡方法、逐步回歸正向選擇法、樸素貝葉斯分類器方法等預測發生直線大風或龍卷風的概率，如采用模糊標簽神經網絡方法、隨機森林和梯度提升決策樹方法對直線大風進行預測，如采用梯度提升決策樹、隨機森林、彈性網絡方法等研究風暴持續時間、冰雹發生概率的預測。一些研究針對風能和太陽能預測開展研究，如采用人工神經網絡、自回歸移動平均模型、支持向量機、回歸樹、相似集合方法對風速、風能、太陽輻照度等進行預測。一些研究采用模糊邏輯、隨機森林算法等開展航空湍流的臨近預報研究。一些研究采用人工神經網絡方法、多參數支持向量機方法、分層K均值聚類方法等針對衛星資料開展云分類和降水估計研究。還有一些研究采用神經網絡方法、模糊邏輯方法等開展氣象數據融合和數據提取的研究，在氣象預報業務上發揮了很好的作用。

作為科技領域的一項指標，論文發表的數量可以在一定程度上體現該領域的研究水平。基于Web of Science平臺的SCIE和CPCI-S國際會議數據庫，本研究檢索了2008—2017年有關人工智能及其主要算法主題的論文，對比了國內外氣象領域對人工智能研究的論文發表情況。通過使用檢索式TS=(“artificial intelligence” OR “AI” OR “machine learning” OR “deep learning” OR “Deep Neural Network” OR “artificial neural network” OR “decision tree” OR “fuzzy logic” OR “hierarchical clustering” OR “k-means clustering” OR “support vector machine” OR “logistic regression” OR “ridge regression” OR “elastic nets” OR “random forests” OR “gradient boosted regression tree” OR “Gradient Boosted Decision Tree” OR “natural language processing” OR “Deep Belief Nets” OR “Deep Boltzmann Machine” OR “convolutional neural network” OR “recurrent neural network” OR “Long Short-Term Memory”)，學科類別限定為“氣象和大氣科學”，文獻類別限定為期刊論文、綜述和會議論文，檢索得到該主題文獻1612篇（檢索時間為2018年6月）。

從論文發表數量和影響力來說，我國在世界上僅次于美國，遙遙領先于其他國家。2017年，我國大氣科學領域有關人工智能的論文數比2008年增長了7倍。2012—2017年，我國大氣科學領域有關人工智能的論文數在國際上僅次于美國，且和美國的差距逐年縮小，在2017年美國為76篇，我國為72篇（圖2）。2012—2017年我國在該領域至少被引用1次的論文數在國際上也是僅次于美國（圖3）。

圖2 2008—2017年大氣科學領域有關人工智能的論文數前十名的國家

從應用領域來說，由于我國的人工智能產業在國際上位于世界第二的水平，高校、企業的研發應用能力很強，氣象部門在觀測識別、數據處理、短時臨近預報、模式參數化、預報結果集成分析等領域，與清華大學、北京大學、中科院等科研院校以及阿里巴巴、百度、IBM等企業開展廣泛合作，并已取得若干成果。特別是我國已有多項算法取得國際領先的成績。如國家氣象中心和清華大學合作研發的基于深度學習的回波外推（PREDRNN）的成果，在人工智能領域A類國際會議NIPS（2017年）上取得最好成績；清華大學研發的基于卷積神經網絡技術的短時強降水定量預測方法，在全球頂級學術會議CIKM（2017年）的挑戰賽中，在來自中、美、英等10余個國家和地區的1395組選手中排名第1。可見近5年來，人工智能在我國大氣科學領域的應用研究呈明顯增多趨勢，研究成果數量和影響力逐年提升，一些成果取得了國際領先的成績。

圖3 2008—2017年大氣科學領域有關人工智能的“至少被引用1次”論文數前十名的國家

總的來說，由于人工智能領域在原理上并未取得突破性的進展，其技術爆發不是全領域的，僅是利用深度學習在圖像和語音識別等幾個有限領域取得了成功。因此，上述國內外應用于氣象上的人工智能案例也主要是基于圖像識別（如對雷達圖像、衛星遙感影像）開展取得的成功。

致謝：本文由2018年度氣象軟科學研究項目（指令項目[01]）、2018年度氣象軟科學研究項目（重點項目[04]）、2019年度氣象軟科學研究項目（2019ZDIANXM19）共同資助。

深入閱讀

Lagerquist R, Mcgovern A, Smith T. 2017. Machine learning for real-time prediction of damaging straight-line convective wind. Weather & Forecasting, 32(6): 2175-2193.

Marzban C, Stumpf G J. 1998. A Neural network for damaging wind prediction. Weather & Forecasting, 13(1): 151-163.

Mcgovern A, Elmore K L, Gagne D J, et al. 2017. Using artificial intelligence to improve real-time decision making for high-impact weather. Bulletin of the American Meteorological Societ y,98(10): 2073-2090.

Williams J K. 2014. Using random forests to diagnose aviation turbulence. Mach Learn, 95: 51-70.

唐偉, 周勇, 王喆, 等. 2017. 氣象預報應用人工智能的現狀分析和影響初探.中國信息化, 11: 69-72.

騰訊研究院, 等. 2017. 人工智能. 北京: 中國人民大學出版社.

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