AI在气象中的应用进展.docx

AI在气象中的应用进展.docx

《AI在气象中的应用进展.docx》由会员分享，可在线阅读，更多相关《AI在气象中的应用进展.docx（6页珍藏版）》请在冰豆网上搜索。

AI在气象中的应用进展

AI在天气气候中的应用进展

一、第98届AMS会议概况

第98届美国气象学会年会2018年1月7日至11日（美国中部时间）在美国德克萨斯州的奥斯汀举办，4000多位来自全世界的天气、水文和气候等方面的专家学者参加此次会议，以分享、学习最新的研究进展，并寻找合作机会。

由RichardAlley博士所做的大会主题报告“TransformingCommunicationintheEnvironmentalSciences:

SomeThoughtsfromaReluctantParticipant”，主旨是讨论如何将环境科学中的发现有效地传递给社会大众和相关决策者。

Alley博士指出，成功地将有价值的科学研究成果传播出去不再是可选项，而是必须的，而且充满挑战；为了建立广泛的科学认知，消除困惑，需要让科学基础牢固，帮助广泛的人群和行业利用天气、水资源和气候方面的知识来降低损失、保障生命财产安全和保护环境；最后，要从社会传播领域中学习，检视当前的挑战、成功和不足。

此次AMS会议设置了46个专题，各项专题会议同时进行，参会人员需要提前安排所感兴趣的报告或讲座。

近年来，人工智能（AI）技术得到快速发展和广泛应用，如何将AI技术应用到天气气候研究和应用领域，逐步成为相关热点方向。

为了解国际上相关研究的最新进展，选择3个专题重点关注，包括第17届人工和计算智能及其在环境科学中的应用、第25届概率与统计和第8届Python在模式和分析的应用进展。

这里人工和计算智能应用专题主要利用机器学习或深度学习算法来从海量的气象数据中提取出有用的特征信息，或建立模型预报未来天气气候，从而帮助用户做出更好的决策；概率与统计专题与AI专题研究领域有所交叉，但更关注与研究天气预报的不确定性信息的提取和传递；Python应用专题是在气象研究和应用领域，为帮助非计算专业的气象专家学者快速挖掘海量数据和广泛使用AI算法而引入的动态解释型语言。

三个专题之间相互补充联系，且有专门的关注方向。

二、AI的发展机遇

AI专题是本次AMS会议的热点专题之一，每天会场都坐满听众，以至于会议召集人承诺下届会议将申请更大的会议室。

会上来自不同方向的专家学者讨论了AI在气象领域的应用前景：

如英国气象局的Pope报告提出传统以发展更加复杂动力数值模式的天气预报似乎受到以大数据驱动为主的预报技术挑战，实际上这两种方式是面向解决不同的问题，即不断发展的数值模式系统提供更高分辨率、更准确的预报结果，但由于其自身的缺陷以及天气预报的不确定性，仍然不能满足各种用户的不同需求，而数据驱动方法为弥补这一差距提供了非常有用的工具。

然而，目前大部分AI技术类似“黑箱”，在通常情况下运行良好，但遇到极端情况可能会失效。

因此，英国气象局一直在利用数据驱动，将统计技术与物理模式及其深刻理解结合起来，并积累了大量经验，例如将高分辨率观测网、复杂数值模式和再分析数据利用统计技术结合起来为风能行业发展了业务预报工具，能够提供更高经度的风力预报，并适用于复杂地形条件。

同样来自英国气象局的Prudden介绍了机器学习在天气预报中的应用机会，指出在未来的10年当中，整合基于物理模式的预报和数据驱动的方法，将会给天气预报带来新的机会，例如将机器学习应用于交通堵塞、航空延误、花粉过敏等难以用物理模式处理的预报，能够提供更有价值的信息。

此外，基于机器学习的仿真器能提供更高效的计算速度，且结果接近耗费昂贵计算资源的物理模型计算。

此外，来自加拿大BritishColumbia大学的WilliamW.Hsieh带来的特邀报告“机器学习和统计:

数据科学的阴和阳”。

Hsieh在机器学习的应用研究方面做了多年的工作，发表了很多相关的论文。

这里，他讨论了机器学习和统计的特征和区别：

认为统计主要起源于数学，而机器学习起源于计算科学；环境科学家更喜欢机器学习，作为黑箱的工具，而这使得机器学习在环境科学中应用不够深入；此外环境科学的数据不同于主流的机器学习数据。

面对上述问题，需要发展针对环境科学的机器学习的理论方法以克服来自黑箱应用的挑战。

三、AI应用范围更加广泛

3.1AI在气象数据处理方面的应用

AI在气象数据处理方面的一直得到应用。

本次会议上既有继承，又有创新。

例如来自Portland的ACMEAtronOmatic公司的Garimella介绍了利用“条件生成对抗神经网络”来处理雷达杂波的工作；来自北京航天宏图的KunZhang展示了利用卷积神经网络来判别卫星图像上的降雨区域。

在创新方面，将AI技术应用于数值模式资料同化是一个刚起步的研究领域，有3个相关的报告介绍最新进展。

来自NOAA/NESDIS的Boukabara介绍了AI在数值模式、态势感知方面的应用，他首先指出目前地球观测资料原来越多，特别是卫星遥感资料。

然而目前的数值模式系统还不能很好地同化这些资料。

他提出一个实验项目，采用认知学习的方法，来复制遥感的运行结果以及数据同化技术来融合不同来源的数据，其结果为5D参数空间用于描述环境的状态。

该方法使用NASA'sGEOS-5NatureRun和相应的基于CRTM和其它前向算子的模拟观测作为深度神经网络的输入。

目前的研究证明这个概念的可行性，并显示出AI能够节约大量的计算资源的能力。

对比同化变分算法，AI算法具有更高的计算效率。

此外，来自NOAA/ESRL/GSD的Yu-JuLee介绍了利用了深度学习来选取目标观测数据区域，从而进一步改进卫星观测在模式初始化方面的应用能力。

同样来自NOAA/ESRL/GSD的ChristinaBonfanti进一步展示了机器学习在加强模式气旋初始化方面的卫星应用研究。

3.2AI在天气预报业务中应用

AI技术一直在天气预报业务中得到广泛应用，此次会议的报告也涵盖短时临近预报、环境气象预报、要素概率预报、台风海洋、极端灾害和农业气象等诸多方面。

短时临近预报一直是AI的应用热点，也是本专题会议相关报告数量最多的方向，约有9个报告涉及短临预报。

来自俄克拉荷马大学的Skinner介绍了基于NEWS-E云分辨率集合分析和预报系统，利用随机决策树来评估中气旋强度的环境影响因素：

基于2016/17的29个个例，识别出250万个风暴目标和70万个路径目标；基于这些识别数据，提取出各个目标的入流环境因素，然后应用随机森林来评估上游环境对模拟目标的影响，找出最重要的影响因素。

俄克拉荷马大学的Harrison介绍了利用随机森林分类技术来预报12h时效的对流风暴。

俄克拉荷马大学的Lagerquist介绍了基于机器学习模型来制作全美1km分辨率，2h时效的雷暴大风概率预报。

俄克拉荷马大学的McGovern则介绍了利用机器学习来预报风暴的实时持续时间。

来自芬兰气象局的Tervo介绍了基于对象分析和四步分类方法的对流风暴邻近预报方法。

科罗拉多州立大学的Herman基于对流尺度数值模式NSSL-WRF的输出结果，采用深度神经网络来预报暖区对流，能够显著提高预报技巧。

来自MIT林肯实验室的Mattioli则利用卷积神经网络来进行雷达降水强度预报。

北卡罗莱纳州立大学的Francisco发展了概率模型来预报高切变、低CAPE值的对流系统环境。

Cray公司的Heye采用ConvolutionalLongShort-TermMemory神经网络来进行临近降水预报。

概率统计后处理预报技术在近年来得到持续发展，来自蒙特利NPS的Wendt将分层多元贝叶斯方法引入到集合模式输出统计方法EMOS当中。

来自挪威计算中心的Schuhen指出集合预报后处理技术例如EMOS或BMA等，通常对不同起报时间或预报时效分布订正，不能保证预报之间的一致性，为此提出要同时增强现有后处理技术的预报技巧和稳定性，并建议了一种基于决策理论的思路来降低预报的跳跃。

宾夕法尼亚大学的Harding介绍了一种用于集合相似预报的搜索空间有效扩展方法，使用邻近、相似和有效选择站点或区域来增加训练样本的搜索空间；该搜索使用了一个数学方法来分解由于原始集合相似预报技术和引入新的历史样本而带来的误差；之后，研究围绕误差分解来发展分析方法，以便实现搜索空间内的相似预报；这项研究具有应用于机器学习、人工智能、模式输出统计等领域的前景。

科罗拉多大学的Scheuerer则将参数模型和非参数相似方法结合起来，获得降雪量的概率预报；降雪量的预报不确定性，除了来自降水之外，还与温度和风的影响有密切关系；由于其复杂的关系，灵活的相似预报方法是一个更吸引人的途径；在报告中，Scheuerer将参数方法和相似方法的优点结合到一起，用参数方法预报降水量，用分位数相似方法来查找温度和风速相似的历史样本，这些历史样本的降雪量不确定性可用来表示未来预报的不确定性，得到降雪的概率预报。

在台风海洋方面，俄克拉荷马大学的Richman介绍了利用机器学习来减少热带气旋的预报误差；利用Atlantic,Indian和Pacific海洋的海温异常，来预测台风季节的命名台风数量、强台风数量和热带气旋总能量；预报方法采用支持向量机；选择预报因子很重要，相对于之前的季节预报统计模型，SVR模型能够增加相关性和减少预报误差。

来自NOAA的ZhangZhan介绍了HWRF集合预报以及集成HWRF/HMON/COAMPS-TC多模式的集合预报检验结果；HWRF-EPS的结果已经于高分辨率HWRF相当，并且较前一版本有明显改进；多中心集合预报的概率预报显示出该系统的有效性和可靠性。

较早将AI应用于集合预报的专家Krasnopolsky介绍了基于神经网络的NCEP海浪集合预报的非线性平均方法。

来自Texas大学的Tissot介绍了利用神经网络来预报近海浪涌。

在极端或灾害性天气方面，BritishColumbia大学的Hsieh继续介绍了用Occam'sRzaor的机器学习来改善极端事件的预报；这是一个比较专业的技术，因为机器学习对于训练集之外的极端事件往往预报能力较差，非线性模型的外插往往很不稳定，而利用Occam'sRzaor的线性外插可以更稳定。

来自加拿大Edmonton的Burrows介绍了预报极地暴风雪的客观产品：

利用低于冰冻阈值的温度、地面风、至少1厘米的雪深、雪的来源，以及雪的新旧、温度和近地面稳定度，发展3种客观预报产品，即基于专家系统、perfect-prog概率预报和利用随机森林的模式统计后处理。

来自innsbruck的Kneringer介绍了用于机场低能见度实时概率预报的OrderedHurdleModel；该模型首先评估任何条件的能见度，而第二部分用秩序逻辑回归评估低能见度的范围。

在环境预报方面，NASAGMAO/USRA的Keller采用回归森林模型来预报空气质量；来自韩国气象局的YunAmSeo采用深度神经网络预报来预估韩国的橡树花粉浓度。

在要素预报方面，来自宾夕法尼亚大学的KuaiFang利用深度学习和SMAP卫星数据来制作土壤湿度的预报和回报。

3.3AI在天气气候分析中应用

AI在天气气候分析中的应用也越来越深入。

如风暴特征分析，来自宾夕法尼亚大学的Frey介绍了利用自组织神经网络来分析龙卷附近的风暴环境，即利用自组织神经网络方法来区分有龙卷和无龙卷之间的风暴参数。

俄克拉荷马大学的Jergensen利用支持向量机来对风暴进行实时和气候分类分析；支持向量机采用线性和径向基础函数作为核函数：

首先对数据进行分类和PCA降维，然后用交叉检验来最优化每个SVM核函数的参数，基于训练样本进行监督学习；最后将训练模型用于测试数据分类，结果表明两类核函数取得相近的效果，使用PCA降维后结果更好。

天气特征识别方面，来自Berkeley大学的Collins做了特邀报告，介绍了利用深度学习来识别气候模态中的极端天气，即采用监督卷积结构分类方法来识别追踪热带气旋、大气河流以及锋面系统，并发展了一种统一架构来同时识别和分类热带气旋、温带气旋和大气河流等天气系统