天氣預(yù)報(bào)中的人工智能技術(shù)進(jìn)展

（項(xiàng)城市氣象局，河南項(xiàng)城 466200）

0.引言

氣象預(yù)報(bào)中，特別是強(qiáng)對(duì)流、臺(tái)風(fēng)等災(zāi)害性天氣的預(yù)報(bào)，因?yàn)榇髿膺\(yùn)動(dòng)復(fù)雜性極高，在國(guó)際氣象學(xué)上一直是難題所在。隨著科技的不斷發(fā)展，天氣預(yù)測(cè)工作從古希臘哲學(xué)推論、中世紀(jì)占卜到現(xiàn)代科學(xué)推論、計(jì)算機(jī)模擬和數(shù)值預(yù)報(bào)，工作形式也從主觀性體力勞動(dòng)模式轉(zhuǎn)變?yōu)榭陀^性、定量分析的高科技活動(dòng)。這種變化的形成，離不開(kāi)長(zhǎng)期計(jì)算機(jī)計(jì)算數(shù)據(jù)、天氣演變方程式解讀和未來(lái)天氣現(xiàn)象預(yù)測(cè)。雖然天氣預(yù)報(bào)工作已經(jīng)得到了質(zhì)的跨越，但是科技不足之處仍然明顯，全球主流數(shù)值預(yù)報(bào)模式誤差問(wèn)題仍然未能解決，究其原因，還是缺乏對(duì)大氣運(yùn)動(dòng)規(guī)律的科學(xué)認(rèn)識(shí)和數(shù)值模式的表達(dá)方法。隨著人工智能（AI）技術(shù)的不斷研發(fā)，在天氣預(yù)報(bào)領(lǐng)域中也得到廣泛應(yīng)用。AI是一種理論、方法、技術(shù)和應(yīng)用系統(tǒng)，它利用數(shù)字計(jì)算機(jī)或由數(shù)字計(jì)算機(jī)控制的機(jī)器來(lái)進(jìn)行模擬、衍生和擴(kuò)展人類智能，利用環(huán)境感知、知識(shí)獲取來(lái)得出最佳結(jié)果。現(xiàn)今，在我國(guó)高性能計(jì)算、互聯(lián)網(wǎng)等技術(shù)快速發(fā)展背景下，AI也進(jìn)入了快速發(fā)展期[1]。而AI開(kāi)始受到全球廣泛關(guān)注的標(biāo)志性事件，是在2016年世界冠軍韓國(guó)九段棋手李世石賽事中落敗阿爾法狗后，開(kāi)始大放光芒。在天氣預(yù)報(bào)領(lǐng)域方面，國(guó)內(nèi)外領(lǐng)先的氣象業(yè)務(wù)科研機(jī)構(gòu)也大幅度增加了AI天氣預(yù)報(bào)應(yīng)用的研發(fā)基金，如觀測(cè)數(shù)據(jù)質(zhì)量控制、短時(shí)臨近預(yù)報(bào)、災(zāi)害性天氣監(jiān)測(cè)等，AI技術(shù)所呈現(xiàn)的發(fā)展趨勢(shì)，已經(jīng)開(kāi)始與數(shù)值預(yù)報(bào)技術(shù)并肩。基于此，本文先闡述AI技術(shù)在天氣預(yù)報(bào)中的應(yīng)用現(xiàn)狀，并對(duì)其未來(lái)應(yīng)用趨勢(shì)進(jìn)行簡(jiǎn)要概括。

1.AI技術(shù)在天氣預(yù)報(bào)中的應(yīng)用現(xiàn)狀

1.1 主流 AI技術(shù)

AI技術(shù)是從手工規(guī)則和啟發(fā)法開(kāi)始，一步步優(yōu)化到線性模型和決策樹(shù)、集成和深度模型、元學(xué)習(xí)模型，如今模型也日漸成熟，為天氣預(yù)報(bào)技術(shù)創(chuàng)造了良好的高科技條件。目前，AI在天氣預(yù)報(bào)應(yīng)用中，有如下幾種技術(shù)。

（1）人工神經(jīng)網(wǎng)絡(luò)。此類網(wǎng)絡(luò)模型是由加權(quán)非線性函數(shù)構(gòu)成，基于多層連接和訓(xùn)練前提下，網(wǎng)絡(luò)可作任意非線性函數(shù)表達(dá)，且在理想情況下，任何非線性過(guò)程都能通過(guò)它表達(dá)出來(lái)。人工神經(jīng)網(wǎng)絡(luò)在氣象領(lǐng)域的應(yīng)用中，早前是被氣象局用來(lái)識(shí)別云、龍卷、大風(fēng)、冰雹、降水、風(fēng)暴，同時(shí)還可進(jìn)行氣候分類和觀測(cè)質(zhì)量控制。近年來(lái)，該技術(shù)已經(jīng)得到進(jìn)一步研發(fā)，延伸出各具優(yōu)勢(shì)的其他模型，如深度信念網(wǎng)絡(luò)（DBN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短時(shí)記憶模型（LSTM）、生成對(duì)抗網(wǎng)絡(luò)（GAN）等。

（2）支持向量機(jī)（SVM）。它是一種二元分類的廣義線性分類器，通過(guò)監(jiān)督學(xué)習(xí)方式的技術(shù)理念來(lái)完成非線性分類，技術(shù)在應(yīng)用鉸鏈損失函數(shù)、正則化項(xiàng)后可最大程度降低技術(shù)風(fēng)險(xiǎn)，目前氣象局多用于龍卷風(fēng)地識(shí)別和預(yù)報(bào)。相關(guān)向量機(jī)模型與SVM大致相等，能有效解決小樣本和非線性問(wèn)題，氣象局通常用于臺(tái)風(fēng)定強(qiáng)。

（3）決策樹(shù)模型。它是一種非參數(shù)分類器，樹(shù)形圖決策點(diǎn)、策略點(diǎn)（事件點(diǎn)）及結(jié)果構(gòu)成，操作簡(jiǎn)單，適用性高，無(wú)需驗(yàn)證假設(shè)數(shù)據(jù)就能進(jìn)行快速結(jié)算，就能得出收益最大期望值或最低期望成本等結(jié)果，在氣象領(lǐng)域中已得到廣泛應(yīng)用。

（4）隨機(jī)森林法（RFs）。它是由決策樹(shù)構(gòu)成的一種集合類型分類器。決策樹(shù)“森林”中的每棵樹(shù)因?yàn)閿?shù)據(jù)差異性和不同的預(yù)測(cè)因子訓(xùn)練而不同，因此也稱之為“專家?guī)臁薄＠纾皫?kù)存”中的漸進(jìn)梯度回歸樹(shù)方法，一組決策樹(shù)集合是經(jīng)boosting算法訓(xùn)練而成，權(quán)重是結(jié)合前次訓(xùn)練的殘差結(jié)果來(lái)進(jìn)行確定。此外，也有報(bào)道指出，強(qiáng)降水區(qū)域劃分已經(jīng)被Baldwin等使用異構(gòu)聚類法來(lái)完成操作[2]。

1.2 AI技術(shù)在國(guó)內(nèi)外觀測(cè)預(yù)報(bào)中的典型應(yīng)用實(shí)例

1.2.1 觀測(cè)方面

在觀測(cè)技術(shù)中，美國(guó)華盛頓大學(xué)就首先進(jìn)行了關(guān)于智能手機(jī)氣壓分析和機(jī)器學(xué)習(xí)的課題研究。目前，IBM的TWC已經(jīng)利用智能應(yīng)用程序APP建立了氣壓觀測(cè)網(wǎng)，且分布全球的規(guī)模讓手機(jī)氣壓觀測(cè)數(shù)據(jù)積累超過(guò)50億次。

1.2.2 預(yù)報(bào)方面

如今，我國(guó)天氣預(yù)報(bào)領(lǐng)域應(yīng)用AI技術(shù)也取得了進(jìn)展。中央氣象臺(tái)在面對(duì)熱帶氣旋的生成和發(fā)展時(shí)，對(duì)其海量熱帶低壓云圖是利用深度卷積神經(jīng)網(wǎng)絡(luò)機(jī)器完成學(xué)習(xí)，并結(jié)合時(shí)空記憶循環(huán)網(wǎng)絡(luò)算法完成雷達(dá)外推預(yù)報(bào)，精準(zhǔn)度得以顯著提升。

2.AI在天氣預(yù)報(bào)中的未來(lái)應(yīng)用趨勢(shì)

2.1 AI發(fā)展規(guī)劃

美國(guó)的 AI發(fā)展計(jì)劃在世界范圍內(nèi)領(lǐng)先，也間接性反映了未來(lái)國(guó)際趨勢(shì)。

（1）結(jié)合 NOAA公布的2019年 AI發(fā)展戰(zhàn)略，能看到他們的具體目標(biāo)中包含了建立有效的組織結(jié)構(gòu)和流程，為推動(dòng) AI研究創(chuàng)新以及拓展和AI合作的伙伴關(guān)系做好基礎(chǔ)，同時(shí)在AI戰(zhàn)略業(yè)績(jī)管理和效率等方面也取得了變革性進(jìn)展，并通過(guò)整合可擴(kuò)展的商業(yè)數(shù)據(jù)來(lái)繼續(xù)以指數(shù)方式提高數(shù)據(jù)開(kāi)發(fā)能力。

（2）美國(guó)國(guó)家航空航天局（NASA）基于AI的地球系統(tǒng)建模架構(gòu)：結(jié)合美國(guó) NASA/GSFC計(jì)算與信息科學(xué)與技術(shù)辦公室提供的報(bào)告基礎(chǔ)上，發(fā)現(xiàn)報(bào)告評(píng)估了 Exascale體系結(jié)構(gòu)和 AI對(duì) NASA地球系統(tǒng)建模的影響。而Goddard地球觀測(cè)系統(tǒng)（GEOS），經(jīng)NASA 的Goddard的全球建模與同化辦公室（GMAO）開(kāi)發(fā)后，早在2007年有限體積的立方球體（FV3）動(dòng)態(tài)核心就開(kāi)始得到全面應(yīng)用，并利用系統(tǒng)的獨(dú)特性來(lái)探索全球大氣預(yù)測(cè)邊界。從MERRA-2的全球分辨率為50km，到 GEOS的全球云解析應(yīng)用，從2009年的3km至2015年的1.5km，F(xiàn)V3支持 NASA的各種建模要求，也為未來(lái)10年的技術(shù)新飛躍提供了無(wú)限可能。

2.2 與數(shù)值預(yù)報(bào)的融合趨勢(shì)

有報(bào)道指出，AI技術(shù)近年來(lái)雖然得到顯著進(jìn)步，體現(xiàn)在于較傳統(tǒng)的線性統(tǒng)計(jì)分析、短臨雷達(dá)外推頂?shù)确椒ǘ裕Ａ繑?shù)據(jù)處理和圖像特征識(shí)別等新技術(shù)已經(jīng)遠(yuǎn)遠(yuǎn)超出傳統(tǒng)天氣預(yù)報(bào)的工作效率。但是截至目前為止，天氣預(yù)報(bào)中應(yīng)用AI技術(shù)，仍然停留在初步階段，究其原因，可濃縮為以下3點(diǎn)：首先，AI技術(shù)仍無(wú)法完全替代傳統(tǒng)的數(shù)值預(yù)報(bào)，甚至不能顯著提升數(shù)值預(yù)報(bào)精準(zhǔn)度；其次，AI還遠(yuǎn)遠(yuǎn)沒(méi)有實(shí)現(xiàn)學(xué)習(xí)人類經(jīng)驗(yàn)知識(shí)的功能，預(yù)報(bào)人員識(shí)別天氣特征的工作靠人工智能難以做到，還需要預(yù)報(bào)員投入大量的精力來(lái)進(jìn)行諸如天氣特征“標(biāo)記”等的“引導(dǎo)”工作；最后，AI算法目前仍需不斷精進(jìn)，其自身存在的許多瓶頸問(wèn)題仍待解決，如輸入信息稀疏化造成高分辨率分析瓶頸。當(dāng)前AI在天氣預(yù)報(bào)中的應(yīng)用，主要是基于計(jì)算機(jī)行業(yè)通用算法來(lái)完成變化不大的對(duì)象預(yù)測(cè)，常見(jiàn)有人臉、步態(tài)、語(yǔ)音識(shí)別等，但不適用于耗散度高、尺度大的高階非線性災(zāi)害天氣系統(tǒng)預(yù)測(cè)。

3.結(jié)語(yǔ)

AI近年來(lái)發(fā)展迅速，天氣預(yù)報(bào)技術(shù)也在高科技影響下得到了質(zhì)的飛躍。與此同時(shí)，在面對(duì)機(jī)遇的同時(shí)，挑戰(zhàn)也會(huì)隨之而來(lái)。究其原因，能發(fā)現(xiàn)AI在天氣預(yù)報(bào)中所應(yīng)用的技術(shù)理論支持仍然存在較多不足之處，AI面對(duì)高階、非線性、甚至混沌的天氣系統(tǒng)時(shí)，缺乏開(kāi)創(chuàng)性的理論突破，致使天氣預(yù)報(bào)出現(xiàn)一些誤差。然而，筆者堅(jiān)信在我國(guó)經(jīng)濟(jì)快速發(fā)展背景下，此類現(xiàn)狀問(wèn)題在未來(lái)會(huì)得到改善，人們對(duì)高質(zhì)量的天氣預(yù)報(bào)需求和精準(zhǔn)的預(yù)報(bào)工作產(chǎn)生的經(jīng)濟(jì)消息，都會(huì)成為AI技術(shù)上升一個(gè)新維度的推力，成為記錄技術(shù)先進(jìn)性的重要里程碑。