基于知識(shí)圖譜的人工智能技術(shù)在氣象中的應(yīng)用分析

姚 瑤，黃治勇，陳笑笑，劉曉晨

（中國氣象局氣象干部培訓(xùn)學(xué)院湖北分院，武漢 430074）

人工智能（Artificial intelligence，AI）是研究使用技術(shù)開發(fā)、模擬和擴(kuò)展人的智能的理論與方法等的一門學(xué)科。AI 被認(rèn)為是引領(lǐng)未來的戰(zhàn)略性技術(shù)，成為世界主要發(fā)達(dá)國家研究和角逐的熱點(diǎn)［1］。AI的結(jié)構(gòu)化層次從下往上依次是基礎(chǔ)設(shè)施層、算法層、技術(shù)層、應(yīng)用層，算法層是AI 的核心。常用的機(jī)器學(xué)習(xí)算法有人工神經(jīng)網(wǎng)絡(luò)（ANN）、邏輯回歸（LR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、梯度提升決策樹（GBRT）等。

氣象觀測(cè)、預(yù)報(bào)、服務(wù)與科研的基礎(chǔ)是多種類、長(zhǎng)時(shí)間尺度、大空間尺度的觀測(cè)數(shù)據(jù)。因有對(duì)數(shù)據(jù)的快速處理、訓(xùn)練與分析等優(yōu)勢(shì)，AI 技術(shù)在氣象行業(yè)的應(yīng)用面廣，具有極大潛力。早期AI 技術(shù)在氣象中的研究以開發(fā)專家系統(tǒng)較多，諸如美國的強(qiáng)對(duì)流天氣預(yù)報(bào)系統(tǒng)ITWS、長(zhǎng)江中下游、北京地區(qū)暴雨預(yù)報(bào)專家系統(tǒng)等［2］；也有開發(fā)氣象智能數(shù)據(jù)庫系統(tǒng)和利用算法識(shí)別衛(wèi)星云圖［3］、提取信息的研究［4］等。由于計(jì)算機(jī)硬件條件與算法的限制，早期應(yīng)用進(jìn)展較為緩慢，直到相關(guān)技術(shù)飛速進(jìn)步，氣象領(lǐng)域內(nèi)的AI 研究也得到迅速發(fā)展。2012 年后，日本、德國、英國與美國等陸續(xù)提出發(fā)展AI 的舉措［5］，氣象公司引入AI 技術(shù)起步較早。2017 年，中國國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，確立了中國新一代AI 發(fā)展“三步走”的戰(zhàn)略目標(biāo)［6］，自此，國內(nèi)的人工智能研究開始迅速發(fā)展，AI 技術(shù)與氣象學(xué)的交叉應(yīng)用也獲得了廣泛關(guān)注。

科技文獻(xiàn)是評(píng)價(jià)科研創(chuàng)新能力的主要指標(biāo)之一［7］。文獻(xiàn)計(jì)量學(xué)可以通過文獻(xiàn)體系和計(jì)量特征來定量、定性的評(píng)價(jià)某研究領(lǐng)域的研究趨勢(shì)與水平。科學(xué)知識(shí)圖譜分析能夠通過聚類分析和可視化手段，定量直觀地描述文獻(xiàn)資源，挖掘和分析科學(xué)技術(shù)知識(shí)成果及相關(guān)關(guān)系［8］。中國知網(wǎng)（CNKI）和Web of Science 是相對(duì)權(quán)威的文獻(xiàn)數(shù)據(jù)庫，其收錄的文獻(xiàn)較為全面；美國氣象學(xué)會(huì)（AMS）創(chuàng)立于1919 年，是世界上最大和學(xué)術(shù)成績(jī)最顯赫的專業(yè)學(xué)會(huì)之一，從AMS 的數(shù)據(jù)庫中分析文獻(xiàn)，可以從一定程度反映氣象學(xué)科中的熱點(diǎn)問題。Citespace 軟件用于構(gòu)建和可視化文獻(xiàn)計(jì)量網(wǎng)絡(luò)的軟件工具［9］，利用Citespace 軟件分析上述數(shù)據(jù)庫中有關(guān)人工智能在氣象中應(yīng)用的研究文獻(xiàn)，可以對(duì)熱點(diǎn)與趨勢(shì)進(jìn)行分析與可視化。

1 研究方法與數(shù)據(jù)來源

1.1 研究方法

采用CiteSpace Ⅴ（5.7.R2）軟件分別對(duì)中國知網(wǎng)（CNKI）、Web of Science（WOS）與美國氣象學(xué)會(huì)（AMS）數(shù)據(jù)庫中所選的文獻(xiàn)進(jìn)行計(jì)量分析。

在文獻(xiàn)計(jì)量學(xué)中，H指數(shù)、被引頻次和中介中心性等概念均可有效反映文獻(xiàn)的重要程度，本研究采用這些指標(biāo)來定量評(píng)估各類文獻(xiàn)及其反映的研究趨勢(shì)的重要程度與時(shí)間特征［10］。

1.2 數(shù)據(jù)來源

中文文獻(xiàn)以中國知網(wǎng)為數(shù)據(jù)源，在氣象學(xué)庫中對(duì)包含有“人工智能+大數(shù)據(jù)+云計(jì)算+機(jī)器學(xué)習(xí)+深度學(xué)習(xí)+強(qiáng)化學(xué)習(xí)+神經(jīng)網(wǎng)絡(luò)+支持向量機(jī)+決策樹+貝葉斯”主題的論文進(jìn)行篩選，被核心期刊收錄、公開發(fā)表在期刊的中文文獻(xiàn)共1 006 篇。

英文文獻(xiàn)以Web of Science 核心庫為文獻(xiàn)信息獲取平臺(tái)，布爾運(yùn)算檢索公式為，TS=“artificial intelligence”O(jiān)R“big data”O(jiān)R“cloud computing”O(jiān)R“machine learning”O(jiān)R“deep learning”O(jiān)R“neural network”O(jiān)R“support vector machine”O(jiān)R“decision tree”O(jiān)R“bayesian”，學(xué)科類別限定為“Meteorology Atmospheric Sciences”，文 獻(xiàn) 類 別 限 定為“article，proceeding paper”或“review”，去重復(fù)后共檢索到4 819 篇相關(guān)文獻(xiàn)。

AMS 的數(shù)據(jù)庫包含Journal of the Atmospheric Sciences、Journal of Applied Meteorology and Climatology 等大氣學(xué)科中影響力極高的期刊，檢索條件與Web of Science 一致，共檢索出302 篇文獻(xiàn)。

中英文獻(xiàn)檢索及引用信息檢索時(shí)間均為2000年1 月1 日至2021 年7 月31 日。

2 結(jié)果與分析

2.1 文獻(xiàn)發(fā)表總體情況

2000—2021 年，CNKI庫研究氣象與人工智能的核心期刊文獻(xiàn)共1 006 篇，其中2000 年有12 篇。2000 年，Jin 等［11］在WOS 發(fā)表了相關(guān)論文，以南京和杭州1905—1995 年的年平均氣溫為背景，采用平均母函數(shù)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，建立了長(zhǎng)江三角洲地區(qū)1996—2005 年的年平均氣溫預(yù)測(cè)模型，取得了較好的預(yù)測(cè)效果。

中英文文獻(xiàn)發(fā)表量呈上升趨勢(shì)，斜率逐年增大。2000—2005 年CNKI 核心期刊庫中收錄的文章數(shù)量在20 篇以下；2005—2012 年在50 篇以下；2019 年達(dá)106 篇；2020 年為114 篇，占總發(fā)文量的11.33%；截至2021 年7 月31 日，2021 年已經(jīng)發(fā)表相關(guān)文獻(xiàn)76篇。2000—2004 年WOS 庫文章數(shù)量均在60 篇左右，2005 年開始增加，2019 年突破500 篇，2020 年達(dá)765 篇，占總發(fā)文量的15.87%。截至2021 年7 月31日，2021 年發(fā)文量已達(dá)609 篇。中英文獻(xiàn)的年際特征與人工智能技術(shù)發(fā)展的3 次技術(shù)浪潮時(shí)間有著良好的對(duì)應(yīng)關(guān)系。AMS 數(shù)據(jù)庫中的文獻(xiàn)發(fā)表趨勢(shì)與其他2 個(gè)數(shù)據(jù)庫基本一致，均為有波動(dòng)地逐年增加，但增速（趨勢(shì)線斜率k=0.8）相對(duì)CNKI（k=4.25）要平緩（圖1），這可能與國外人工智能發(fā)展起步較早有關(guān)。WOS 庫中年發(fā)文量的斜率最大，為27.412，這代表人工智能的學(xué)科交叉研究成果增加較快，已成為世界范圍內(nèi)氣象學(xué)者的研究熱點(diǎn)。

圖1 2000—2021年3種數(shù)據(jù)庫氣象與人工智能文獻(xiàn)發(fā)表情況

統(tǒng)計(jì)WOS 核心庫源文章作者的國籍發(fā)現(xiàn)，美國發(fā)文量占據(jù)第一，達(dá)1 651 篇；中國的發(fā)文量第二，共998 篇，其次分別為英國、德國、法國與加拿大等國。中國與美國的發(fā)文量占據(jù)總發(fā)文量的54.76%，是研究人工智能與氣象學(xué)科融合方向文獻(xiàn)產(chǎn)出最多的2 個(gè)國家。

2.2 研究機(jī)構(gòu)分布

氣象數(shù)據(jù)是交叉研究人工智能技術(shù)與氣象中觀測(cè)、預(yù)報(bào)、服務(wù)與科研的基礎(chǔ)，研究結(jié)果可有效應(yīng)用于業(yè)務(wù)。WOS 核心數(shù)據(jù)庫中2000—2021 年發(fā)文機(jī)構(gòu)分布見表1。由表1 可知，發(fā)文量排名前6 的機(jī)構(gòu)分別為中國科學(xué)院、法國國家科學(xué)研究中心、美國國家海洋和大氣管理局（NOAA）、美國國家航空航天局（NASA）、美國加利福尼亞州大學(xué)和美國國家大氣研究中心（NCAR），中國的發(fā)文量最多，但與法國與美國相比，被引頻次較低，H指數(shù)為32，NOAA 發(fā)表的文獻(xiàn)H指數(shù)最高，為47，平均被引頻次為45.65。NCAR 的平均被引頻次最高，為62.96。

表1 WOS 核心數(shù)據(jù)庫中2000—2021 年發(fā)文機(jī)構(gòu)分布

CNKI 庫中，南京信息工程大學(xué)、解放軍理工大學(xué)和國家氣象信息中心、中國科學(xué)院大學(xué)與中國氣象局發(fā)文量最多。其中南京信息工程大學(xué)的發(fā)文量最多，為149 篇：人工智能機(jī)器深度學(xué)習(xí)方法在厄爾尼諾-南方濤動(dòng)（ENSO）預(yù)測(cè)研究領(lǐng)域取得重要進(jìn)展［12，13］；智協(xié)飛等［14］基于神經(jīng)網(wǎng)絡(luò)的滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)方法對(duì)地面氣溫有較為準(zhǔn)確的預(yù)報(bào)效果；陳法敬等［15］利用貝葉斯輸出處理器建模，對(duì)NCEP 集成預(yù)報(bào)的各個(gè)成員對(duì)2 m 溫度的貝葉斯概率預(yù)報(bào)融合，將集合預(yù)報(bào)不確定性定量化為一個(gè)集成貝葉斯概率預(yù)報(bào)，從而實(shí)現(xiàn)集合預(yù)報(bào)的概率化。統(tǒng)計(jì)南京信息工程大學(xué)2000—2021 期間發(fā)表被引量前20 的文獻(xiàn)發(fā)現(xiàn)，主要以利用各類算法改進(jìn)集成預(yù)報(bào)（6 篇）、基于遙感資料和神經(jīng)網(wǎng)絡(luò)算法反演地面溫濕度或大氣溫濕度廓線（7 篇），涉及雷暴預(yù)報(bào)、青藏高原積雪識(shí)別、降水或溫度等氣象因子預(yù)報(bào)、霾預(yù)報(bào)和臺(tái)風(fēng)災(zāi)害損失預(yù)測(cè)等。用到的方法以BP 神經(jīng)網(wǎng)絡(luò)及各種訂正的神經(jīng)網(wǎng)絡(luò)模型為主（12 篇）。BP 神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力與自適應(yīng)學(xué)習(xí)能力，加之結(jié)構(gòu)簡(jiǎn)單、狀態(tài)穩(wěn)定、計(jì)算條件易于滿足，在網(wǎng)絡(luò)理論與應(yīng)用方面已經(jīng)較為成熟，實(shí)現(xiàn)相對(duì)簡(jiǎn)單，成果較多。

解放軍理工大學(xué)研究學(xué)者對(duì)支持向量機(jī)、貝葉斯算法和神經(jīng)網(wǎng)絡(luò)等在熱帶氣旋［16］、雷暴［17］、云量［18］、能見度強(qiáng)度［19］、副高［20］等多種氣象因素預(yù)報(bào)中的應(yīng)用有較多研究。有關(guān)人工神經(jīng)網(wǎng)絡(luò)的研究在2008 年最多，前后保持每年1～2 篇的發(fā)文速度。

國內(nèi)人工智能與氣象融合方向的研究主要來自氣象專業(yè)排名靠前的院校與機(jī)構(gòu)，與美國等國家相比起步較晚，加上受算法發(fā)展的限制，突破性的研究較少。人工智能、大數(shù)據(jù)等技術(shù)的飛速發(fā)展為提升氣象觀測(cè)、服務(wù)與預(yù)報(bào)的準(zhǔn)確性帶來了極大的發(fā)展空間。

2.3 關(guān)鍵詞分類統(tǒng)計(jì)

2.3.1 CNKI 數(shù)據(jù)庫關(guān)鍵詞突現(xiàn)結(jié)果與分析 CNKI數(shù)據(jù)庫突現(xiàn)詞見表2。由表2 可知，氣象類關(guān)鍵詞為參考作物騰發(fā)量（2008—2011 年）、氣候變化（2014—2017 年）和能見度（2018—2019 年）。

表2 CNKI數(shù)據(jù)庫關(guān)鍵詞突現(xiàn)詞

陳志軍［21］以各“五年”計(jì)劃期末全國糧食總產(chǎn)與影響因子集為訓(xùn)練樣本，將人工神經(jīng)網(wǎng)絡(luò)理論引入灌溉宏觀發(fā)展戰(zhàn)略研究領(lǐng)域，建立了灌溉需水量預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)模型；霍再林等［22］利用BP 神經(jīng)網(wǎng)絡(luò)與氣象要素，可以較好預(yù)測(cè)河套蒸散；陳博等［23］利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)測(cè)氣象要素和蒸散值進(jìn)行擬合，誤差較小，Nash-Sutcliffe 效率指數(shù)為0.865；利用人工智能方法預(yù)估蒸散的研究在2010 年前后為熱期。

氣候變化的研究方向廣泛，利用AI 先進(jìn)技術(shù)，可以實(shí)現(xiàn)多種氣候要素的預(yù)測(cè)。李克讓等［24］利用人工神經(jīng)網(wǎng)絡(luò)方法模擬氣候變化對(duì)土地覆被變化特征的影響，利用NDVI 與區(qū)域氣候溫度與降水之間的關(guān)系，建立了區(qū)域氣候-土地覆被變化特征量的ARX 型人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在絕大多數(shù)區(qū)域能較好地預(yù)測(cè)植被指數(shù)變化趨勢(shì)。對(duì)于此類氣候變化對(duì)土壤覆被［25］、氣候系統(tǒng)脆弱性［26］或保護(hù)動(dòng)植物生存繁育的影響等研究，由于互相作用多為復(fù)雜的非線性關(guān)系，且權(quán)重、標(biāo)準(zhǔn)不一，建立普通數(shù)理模型要解決量綱統(tǒng)一等問題，人工神經(jīng)網(wǎng)絡(luò)對(duì)此類研究具有一定優(yōu)勢(shì)。在氣候變化及其時(shí)空特征分析的研究中，自組織特征映射模型（SOFM）方法可以避免主觀分類以及插值產(chǎn)生的誤差問題，但是其完全基于數(shù)據(jù)的特性，后期分析要結(jié)合實(shí)際對(duì)分類進(jìn)行篩選和判斷［27］。大數(shù)據(jù)技術(shù)可以高效整合海量龐雜的觀測(cè)、模式數(shù)據(jù)，數(shù)據(jù)質(zhì)量數(shù)量的提高，為氣候、生態(tài)的觀測(cè)預(yù)測(cè)提供了技術(shù)支持［28］。利用主成分分析（PCA）和支持向量機(jī)（SVM）構(gòu)建降尺度方法，可以有效減少降水預(yù)報(bào)的誤差，準(zhǔn)確反映月降水的變化特征，結(jié)合全球環(huán)流模式Had CM3 大尺度氣候場(chǎng)輸出的降水值，可以對(duì)未來降水進(jìn)行預(yù)測(cè)［29］。

氣象中主要的研究方向有地基、空基、天基等資料的探測(cè)、天氣預(yù)報(bào)、氣候預(yù)測(cè)與新技術(shù)應(yīng)用等，人工智能技術(shù)在各方面均有涉及。隨著城市建設(shè)及人們對(duì)健康生活的重視，用人工智能方法在內(nèi)的多種方法追蹤、霾預(yù)報(bào)等研究在2014 年后開始增多，并且成為研究熱點(diǎn)。白永清等［30］研究利用BP 神經(jīng)網(wǎng)絡(luò)可以得出較為準(zhǔn)確的大氣能見度預(yù)報(bào)。李柞泳等［31］利用雷達(dá)回波資料和BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)雹云進(jìn)行識(shí)別，有效降低了冰雹的漏報(bào)率。利用卷積神經(jīng)網(wǎng)絡(luò)也可以對(duì)積雪的圖像進(jìn)行有效識(shí)別［32］，提取積雪的圖像特征；中分辨率成像光譜儀（MODIS）是遙感觀測(cè)的重要途經(jīng)之一，MODIS 資料中積雪與云的特征較為相似，在研究時(shí)要對(duì)其進(jìn)行分辨。張永宏等［33］構(gòu)建了一種降噪自編碼神經(jīng)網(wǎng)絡(luò)模型，建立雪粒徑與復(fù)雜地形、土地覆蓋類型之間的復(fù)雜映射關(guān)系，實(shí)現(xiàn)云下積雪參數(shù)的補(bǔ)全，提高積雪產(chǎn)品的覆蓋面積，去云手段的精度超過86%。

氣象資料是研究的基礎(chǔ)，針對(duì)缺測(cè)的數(shù)據(jù)，李世萍等［34］利用BP 神經(jīng)網(wǎng)絡(luò)來優(yōu)化觀測(cè)資料，取得了良好的效果。

支持向量機(jī)、隨機(jī)森林和決策樹（包括梯度提升決策樹）等，都是機(jī)器學(xué)習(xí)算法的重要組成，和氣象領(lǐng)域結(jié)合的探索開始較早。支持向量機(jī)在降水［35］、短期氣候［36，37］和天空云量［38］等預(yù)測(cè)中均有較多研究。隨機(jī)森林算法是一種基于回歸與分類樹的機(jī)器學(xué)習(xí)算法，預(yù)測(cè)精度高，且不易產(chǎn)生過擬合。與神經(jīng)網(wǎng)絡(luò)、分類回歸樹和線性回歸相比，隨機(jī)森林的表現(xiàn)更為穩(wěn)定，對(duì)噪聲和異常值也有很好的容忍性，在林火［39］、徑流［40］、干旱［41］、空氣質(zhì)量［42］等多種預(yù)測(cè)中取得了有效成果。

人工智能技術(shù)在氣象領(lǐng)域應(yīng)用最多的是人工神經(jīng)網(wǎng)絡(luò)（后簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)），包含BP 神經(jīng)網(wǎng)絡(luò)，rbf 神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。神經(jīng)網(wǎng)絡(luò)現(xiàn)已發(fā)展出了上百種模型，在模式識(shí)別、自動(dòng)控制、信號(hào)處理等方面具有廣泛的應(yīng)用［43］，大多神經(jīng)網(wǎng)絡(luò)是生物網(wǎng)絡(luò)的簡(jiǎn)化形式，對(duì)于數(shù)量巨大和復(fù)雜的任務(wù)功能有所限制。2006 年，Hinton 等［44］提出深層神經(jīng)網(wǎng)絡(luò)，深層模型在特征提取和建模上相對(duì)于淺層網(wǎng)絡(luò)模型具有極大的優(yōu)勢(shì)，神經(jīng)網(wǎng)絡(luò)的研究開始向深度學(xué)習(xí)算法的方向發(fā)展，已成為人工智能領(lǐng)域的新熱點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)由于其較強(qiáng)的泛化能力和自動(dòng)提取特征性質(zhì)，是其中應(yīng)用較多也極具潛力的一個(gè)分支［45］，例如使用深度學(xué)習(xí)算法與卷積神經(jīng)網(wǎng)絡(luò)從遙感數(shù)據(jù)中獲取降水量［46］、對(duì)森林火災(zāi)敏感性建模等［47］。

2.3.2 Web of Science 核心數(shù)據(jù)庫關(guān)鍵詞統(tǒng)計(jì)與分析WOS 數(shù)據(jù)庫突現(xiàn)詞結(jié)果見表3。由表3 可知，最新的技術(shù)熱點(diǎn)以大數(shù)據(jù)、卷積神經(jīng)網(wǎng)絡(luò)為主，研究?jī)?nèi)容以氣象風(fēng)險(xiǎn)評(píng)估和生態(tài)系統(tǒng)脆弱性評(píng)價(jià)等為主。隨著對(duì)高空間、時(shí)間分辨率天氣監(jiān)測(cè)的需求提升，海量觀測(cè)數(shù)據(jù)涌進(jìn)，加上高分氣象衛(wèi)星和數(shù)值模式所得數(shù)據(jù)，真正進(jìn)入了氣象大數(shù)據(jù)時(shí)代。大數(shù)據(jù)為氣象預(yù)報(bào)與科研提供了基礎(chǔ)，但是數(shù)量級(jí)別經(jīng)常達(dá)到PB、ZB 級(jí)別，合理高效地管理、應(yīng)用大數(shù)據(jù)，諸如氣象大數(shù)據(jù)云平臺(tái)歸檔系統(tǒng)［48］等平臺(tái)的搭建就成了重要技術(shù)目標(biāo)。

結(jié)合災(zāi)區(qū)的經(jīng)濟(jì)密度、人口密度和抗災(zāi)能力等，提前對(duì)氣象災(zāi)害可能造成的損失進(jìn)行預(yù)估的措施即為氣象風(fēng)險(xiǎn)評(píng)估，在國內(nèi)外利用BP 神經(jīng)網(wǎng)絡(luò)［49］、隨機(jī)森林法［50］、支持向量機(jī)［51］、貝葉斯網(wǎng)絡(luò)［52］等進(jìn)行氣象風(fēng)險(xiǎn)評(píng)估也是研究主要方向。Li 等［52］將頻率比方法與使用徑向基函數(shù)內(nèi)核的支持向量機(jī)相結(jié)合，估算了馬來西亞的白沙羅何的洪水概率指數(shù)，這一研究成果的被引頻次為120。

AMS 數(shù)據(jù)庫中突現(xiàn)關(guān)鍵詞較少，分別為變化、同化、神經(jīng)網(wǎng)絡(luò)、降水和天氣，這與文獻(xiàn)樣本量較少有關(guān)。

2.3.3 關(guān)鍵詞共現(xiàn)圖譜分析 人工智能技術(shù)在氣象領(lǐng)域應(yīng)用的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)見圖3。關(guān)鍵詞是論文研究?jī)?nèi)容的高度概括，圖中節(jié)點(diǎn)的相對(duì)大小可以代表詞出現(xiàn)頻率的高低。中介中心性值用來表征節(jié)點(diǎn)重要性的指標(biāo)，中心性越大，其影響力往往越大［54］。分析CNKI數(shù)據(jù)庫中選取的所有文獻(xiàn)的關(guān)鍵詞，共有12 個(gè)出現(xiàn)頻次較多的關(guān)鍵詞，以神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等集群最為顯著；這其中有5 個(gè)關(guān)鍵詞的中介中心性大于0.1（即圖譜出現(xiàn)紫圈的詞），神經(jīng)網(wǎng)絡(luò)的中介中心值最高，為0.39，其次分別為BP 神經(jīng)網(wǎng)絡(luò)（0.33）、人工神經(jīng)網(wǎng)絡(luò)（0.24）、支持向量機(jī)（0.17）和深度學(xué)習(xí)（0.11），這說明上述詞為中國氣象學(xué)者研究人工智能技術(shù)的關(guān)鍵著手點(diǎn)。對(duì)CNKI數(shù)據(jù)庫中文獻(xiàn)進(jìn)行聚類的輪廓值S值為0.93，這表明聚類是高質(zhì)量的；模塊值Q為0.71，遠(yuǎn)遠(yuǎn)大于0.3，說明關(guān)鍵詞顯著，可以很好地反映人工智能技術(shù)在氣象領(lǐng)域應(yīng)用的趨勢(shì)分布。深度學(xué)習(xí)方法雖然才開始興起，但CNKI 數(shù)據(jù)庫的中介中心值達(dá)0.11（排名第五），出現(xiàn)頻次極靠前（圖3a）。

圖3 人工智能技術(shù)在氣象領(lǐng)域應(yīng)用的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)

WOS 庫數(shù)據(jù)分析結(jié)果也反映出深度學(xué)習(xí)的內(nèi)容從2018 年開始暴發(fā)式增長(zhǎng)，對(duì)作物產(chǎn)量、降水溫度等氣象因子預(yù)測(cè)等方面有較多應(yīng)用，說明這一研究方向是AI 在氣象應(yīng)用中的關(guān)注點(diǎn)集中所在。相對(duì)于中文文獻(xiàn)，WOS 數(shù)據(jù)庫中的研究方向較為廣泛，各關(guān)鍵詞的中介中心性均小于0.1，最大為神經(jīng)網(wǎng)絡(luò)（0.08），世界范圍內(nèi)AI 結(jié)合氣象的方向總體比較廣泛，基于神經(jīng)網(wǎng)絡(luò)的研究方向較繁雜。Q值為0.37，S值為0.70，聚類結(jié)果顯著。

AMS 數(shù)據(jù)庫中的文獻(xiàn)分析結(jié)果（Q=0.54，S=0.83）有12 個(gè)詞頻較高的關(guān)鍵詞，其中4 個(gè)關(guān)鍵詞的中介中心性大于0.1，分別為模型（0.41）、算法（0.25）、預(yù)測(cè)（0.24）和氣候變化（0.15）。

綜合分析3 種數(shù)據(jù)庫中關(guān)鍵詞的詞頻，WOS 和AMS 數(shù)據(jù)庫中模型、預(yù)測(cè)與神經(jīng)網(wǎng)絡(luò)的出現(xiàn)頻率最高，CNKI 中神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)出現(xiàn)的次數(shù)較多，神經(jīng)網(wǎng)絡(luò)為國內(nèi)外學(xué)者研究人工智能技術(shù)在氣象中應(yīng)用的首要方法。

3 小結(jié)

本研究發(fā)現(xiàn)，結(jié)合氣象與AI 方向的研究文獻(xiàn)發(fā)表數(shù)量增幅較大，說明人工智能技術(shù)應(yīng)用為氣象領(lǐng)域內(nèi)的熱點(diǎn)問題；中國對(duì)人工智能技術(shù)在氣象中應(yīng)用的研究起步較早，但在第三次技術(shù)浪潮的人工智能熱中，中國總體較美國、德國等起步略晚，發(fā)表文獻(xiàn)數(shù)量雖多，但相對(duì)缺乏高被引頻次的研究結(jié)果。

廣泛的研究仍多沿用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法來訂正數(shù)據(jù)、識(shí)別衛(wèi)星或雷達(dá)圖像等，或?qū)鉁亍⒔邓葰庀笠蜃舆M(jìn)行預(yù)測(cè)，人工智能技術(shù)在氣象領(lǐng)域占據(jù)絕對(duì)優(yōu)勢(shì)或取得突破性進(jìn)展仍然需要一定時(shí)間；深度學(xué)習(xí)方向已成為全世界氣象領(lǐng)域的研究熱點(diǎn)。