浅析机器学习在气候研究中的应用摘要.PDFVIP

浅析机器学习在气候研究中的应用 刘菁琪 摘要 本文基于机器学习的优越性，探究其在天气预测方面的应用，并进一步阐 述深度学习、卷积神经网络在天气预测方面的应用。机器学习能够结合天气相 关指标，通过决策树对天气指标进行分类，以预测未来天气；神经网络结合图 像迅速全面地分析气象图，从而实现对天气及自然灾害方面的预测。文章最后 提出结合深度学习、机器学习和强化学习的气象预测系统。 关键词：天气预测 机器学习 图像识别 卷积神经网络 决策树 强化学习 一、背景 生活中，农作物生长受光照条件、降水量、温度等自然因素的影响；航班 航次颇受雷电雨雪天气干扰；交通运输因雾霾影响可见度而延误速度；穿衣指 数、感冒指数等指标基于天气向百姓提供切实建议和预警。由此可见，天气预 测对人们的衣食住行都有着重要意义。 目前常用的天气预测手段，有地上气象站发射电波，通过回波来判断雨雪 颗粒的大小及移动方向，并收集各地的如湿度、气温、风向等多方面的气象数 据，用于与其他信息汇总和丰富数据库，作为资料供以后参考。另外还有地面 气象雷达系统，它利用电磁波观测数百公里内云层等物的情况，将数据与地面 观测站汇总分析，得出相应天气预报。 诚然，以上技术有一定先进性，但其中涉及大数据的采集分析，其数据量 大、响应速度需快、种类多并且价值密度低，计算繁琐，速度与准确性有一定 欠缺，面对受多因素影响、瞬息万变的天气显得笨拙。而机器学习将快速处理 大量数据，并结合图像识别准确地预测天气甚至局部自然灾害。 二、机器学习与天气预测 目前已经有研究人员致力于利用机器学习的方法和技术来处理气候问题。 在机器学习中，AI 系统通过学习越来越多的数据来不断完善自身的性能。但对 于气候研究来说最大的问题就是数据的问题。通常情况下运行一个高精度的气 候模型就会产生 P 级别（1P=1024T 数据）的数据。 过去的几年里研究者们使用 AI 系统来对不同的气候模型进行排序筛选，并 通过实际数据和模型气候数据来识别飓风等极端天气，同时也致力于发现新的 气象模式。随着这一领域的发展，气候变迁的全貌也在一点点地清晰起来。说 到 AI 系统，那就一定会提到机器学习。那么，什么是机器学习呢？ 机器学习是近 20 多年兴起的一门多领域交叉学科，涉及概率论、统计学、 逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分 析一些让计算机可以自动 “学习”的算法。机器学习总体上分为输入，学习和 输出三个阶段。 输入是将信息输入计算机，学习是计算机运用机器算法对信息进行处理， 输出是将处理后的信息呈现出来。机器学习分为监督学习和无监督学习。 2.1 监督学习 （1）定义 监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要 求性能的过程。监督学习有分类和回归两种处理手段。 气象信息可由有监督学习中的决策树学习进行分类。分类是将采集到的信 息按特征标准分为不同类别。决策树是根据输入数据是否符合模型来划分物体 的类别的一种算法，由决策点、状态节点、结果节点构成，树中每一内部节点 对应一个物体属性，而每一边对应于这些属性的可选值，树的叶节点则对应于 物体的每个基本分类，因此可用决策树进行数据分类。 （2）天气预测 决策树的相关应用就是根据以往时间段常见的气象数据对应的天气情况， 结合现采集的数据，对未来天气做预测。决策树根据信息特征将数据分为不同 强度大小的气温、湿度、风速、和风向等。举个例子，雷阵雨的初期形成过程 是贴近地面的空气因温度高，密度变小而上升，上升过程中温度逐渐降低，水 蒸气变为小水滴，受热气流托着他们形成积雨云，积雨云内的小水滴逐渐聚集 变大，与上升的热空气摩擦带上了电荷。对此决策树可以通过气象信息中近地 面温度是否较高、上升气流中水蒸气是否充足、是否有积雨云、积雨云的大小 和高低等，将预测结果分为两类：近期有雷阵雨和近期无雷阵雨。 2.2 无监督学习和天气预测 根据类别未知 (没有被标记)的训练样本解决模式识别中的各种问题，称之 为无监督学习。 无监督学习可以找出给定数据中的特殊结构，通过聚类将数据分为不同簇， 将输入的数据根据特征相似度划分到符合的簇里，将以往天气记录相似天气条 件下的气象数据划为一簇，如大风、小雨等，再根据现有气象数据的特征，将 目前天气回归，