深度學習算法在氣象預報領域的研究綜述

白燕榮 王 娟 李 惠 王曉婷

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

1 引言

互聯網、電子科學技術的迅猛發展。信息存儲、傳感器探測設備等技術不斷提高,氣象裝備日益豐富,氣象部門利用現代化的觀測設備可以獲取高時空分辨率氣象數據資料。在大數據時代背景下,基于數值模式的氣象預報展現出巨大的發展前景,數據挖掘、深度學習技術也在氣象預報中悄然興起。

2 深度學習在國內外氣象預報應用現狀

2．1 國外深度學習在氣象預報中的應用 20世紀80年代末到90年代初,人工智能在美國、加拿大、英國、法國等國家的天氣預報中引起大家的重視。

1986年,Rumelhart等[1]提出了用于人工神經網絡的反向傳播算法(BP),基于感知機提出用多隱層神經網絡(MNN)。MNN使用BP算法訓練模型,具有較強的無監督學習能力,可以挖掘隱藏在數據中的復雜模式和規則,學習更加復雜的特征。BP算法和MNN的提出,再度引起人們對人工智能的研究熱潮。

2．2 國內深度學習在氣象預報中的應用 國內深度學習在氣象預報預測方面的研究主要是基于歷史氣象數據,對各氣象要素的獨立預報預測和基于對雷達、衛星等圖像識別分析,外推短時臨近預報。

2．2．1 基于歷史氣象數據,對各氣象要素的獨立預報預測 方穎等人[2]利用2015年824個氣象站點的氣溫、相對濕度和風速3套數據,分別構建了氣溫、相對濕度、風速的廣義加性模型(Generalized additive models)GAM和殘差自編碼器神經網絡(簡稱殘差網絡)模型,測試結果表明,同GAM相比,殘差網絡模型預測精度顯著提高。

張遠汀等人[3]利用2017年12月—2018年2月和2007年12月—2008年2月這兩個時間段上的國家測站日值數據,采用深度學習方法訓練兩個時間段上所有預測為有積雪的個例,建立了預測積雪深度的回歸模型,該模型訓練得到的誤差較小,但不足之處在于,預測極端降雪個例的誤差大于普通降雪個例。

哈爾濱工業大學楊涵[4]依次使用ARIMA模型、深度前饋神經網絡模型、循環神經網絡中具有代表性的RNN－LSTM模型對單站氣溫要素進行了實驗測試。實驗得出結論一是相對比傳統ARIMA模型,深度學習模型均能表現出了良好的預測性能,尤其是RNN－LSTM序列模型憑借較強的序列學習與預測能力,可作為區域精細化溫度預測的一種常規手段。二是對于深度前饋神經網絡,考慮多元屬性特征并加入滑動時間窗手段后,預測效果提升明顯。

2．2．2 基于圖像識別分析,對短時臨近天氣進行預報 氣象領域中,人工智能的圖像識別技術主要應用于雷達和衛星圖像分析。近年來,圖像識別技術也開始應用于自動氣象觀測天氣要素的識別上。

為促進人工智能(AI)技術在天氣預報上的應用,深圳市氣象局連續兩年(2017—2018年)通過與阿里巴巴公司、香港天文臺合作,共同組織了短時強降水智能臨近預報為主題的“全球AI氣象挑戰賽”。從比賽的數據評分來看,基于AI方法的評分高于光流法的評分,表明了人工智能技術在解決臨近預報難題中的具體潛力。

3 深度學習在我國各省氣象局的應用研究

目前中國氣象局各省對深度學習在氣象預報應用的研究進度不一。南部沿海省份氣象部門在人工智能方向已經開始研究應用。廣東省氣象局利用阿里平臺,開展基于深度學習的短臨降水預報效果良好;北京市氣象局將機器學習方法應用于溫度預報;福建省氣象局基于機器學習的降水要素客觀訂正方法;中央氣象臺和清華大學聯合開發出一種基于深度神經網絡的雷達回波外推方法,該方法比之前運用傳統方法進行回波預報的準確率提高了40%左右。內地省份陜西、甘肅、內蒙古、山西省氣象局在人工智能方面與氣象預報服務相結合的研究中較為落后,陜西省氣象局李社宏于2018年發表了文章《氣象領域深度學習知識體系框架及前沿應用》介紹了數據挖掘、機器學習和深度學習的基本概念以及相關練習,氣象領域深度學習知識體系框架,沒有開展基于數據的實驗測試。

4 深度學習在氣象預報應用研究趨勢

人工智能技術發展日新月異的今天,人工智能在氣象預報中的應用具有廣闊的前景。深度學習的圖像分析識別技術在氣象雷達、衛星云圖的識別和后期反演預測上應用廣泛;基于大量的歷史氣象數據,對氣象要素數據進行預測,深度學習預測效果優于數值預報,但僅適用于穩定的氣候條件,對于極端、異常、突發的災害性天氣過程,深度學習無法提前精準預報;天氣氣候系統是一個耗散的、具有多個不穩定源的高階非線性系統,其復雜的內部相互作用和隨機變化導致了天氣氣候的可變性和復雜性,未來的發展趨勢是將深度學習與數值預報優勢互補,利用深度學習、圖像識別等技術在短臨預報、延伸期預報等方面發揮其優勢,成為數值預報的一個有力補充。