人工智能在气象科学中应用的机遇和挑战 .pdfVIP

人工智能在气象科学中应用的机遇和挑战

作者：贺洁颖唐伟周勇沈文海

来源：《中国信息化》2019年第12期

始于20世纪50年代的人工智能经过多年的演进，现已发展成一门涵盖计算机科学、统计

学、脑神经学、社会科学等诸多领域的交叉学科。气象是一门典型的数据分析应用学科，其和

人工智能的渊源已久。早在人工智能萌芽期，国内外气象专家就已开始探索将人工智能技术应

用于气象预报相关研究中。

国外气象领域对人工智能的研究和应用自20世纪80年代就开始开展，40年来已有很多可

借鉴的成果。强风暴天气（主要包括破坏性直线大风、龙卷和冰雹灾害）每年会造成严重的经

济损失和人员伤亡，一直是气象灾害预测研究的重点和难点。国外有很多应用机器学习算法针

对强风暴开展研究的成果，如采用前饋神经网络方法对单个风暴单体来预测发生直线大风或龙

卷风的概率，采用逐步回归正向选择法预测强风暴，采用朴素贝叶斯分类器方法来预测强风

暴。一些研究针对直线大风的预测进行专门的研究，如采用模糊标签神经网络方法针对强风暴

中的直线大风进行预测，采用随机森林和梯度提升决策树方法对直线大风进行预测。一些研究

采用梯度提升决策树、随机森林、弹性网络方法等研究风暴持续时间、冰雹发生概率的预测。

此外，在清洁能源预测、航空湍流临近预报、云的分类和降水估计等领域也有不少应用机

器学习方法开展的研究。如采用人工神经网络、自回归移动平均模型、支持向量机、回归树、

相似集合方法对风速、风能、太阳辐照度等进行预测。一些研究采用模糊逻辑、随机森林算法

等开展航空湍流的临近预报研究。一些研究采用人工神经网络方法、多参数支持向量机方法、

分层K均值聚类方法等针对卫星资料开展云分类和降水估计研究。还有一些研究采用神经网

络方法、模糊逻辑方法等开展气象数据融合和数据提取的研究，在气象预报业务上发挥了很好

的作用。

我国气象领域对人工智能应用的历史也可以追溯到20世纪80年代到90年代。当时的特

点主要是初级专家系统在气象灾害预测上的应用和人工神经网络方法在暴雨预报、云的识别等

方面的应用。在2000年以后也陆续有一些研究，如采用迁移学习、遗传算法、模糊聚类、人

工神经网络、支持向量机等方法对气象卫星云图进行云的识别和分类，采用人工神经网络、随

机森林、支持向量机等犯法对气象卫星资料进行降水估计和降水分类。还有一些研究基于气象

卫星、环境卫星、陆地卫星资料，采用人工神经网络、支持向量机、模糊逻辑、决策树、贝叶

斯方法等开展的气象资料反演、灾害性天气识别、生态监测、数据融合和提取等研究。

2006年，随着深度学习的出现和取得的研究进展，人工智能在全球掀起第三次浪潮，并

行计算、大数据等的发展使得人工智能技术展现了巨大的应用潜力。2017年起，人工智能，

特别是深度学习在气象科学和业务中的应用已受到我国气象专家们的重视。经统计，在气象领

域涉及人工智能相关算法的SCI和国际会议论文中，2014-2018年我国论文发表数和至少被引

用一次论文数在国际上仅次于美国，且和美国差距逐年缩小。热点研究领域主要包括观测数据

质量控制、数值模式资料同化、数值模式参数计算（如云和对流参数化）、模式产品后处理、

天气系统识别、可再生能源行业应用、航空湍流预报、业务流程优化、智能决策辅助系统等方

面。我国气象部门通过和清华大学、北京大学、中科院等科研院校以及阿里巴巴、百度、IBM

等企业开展合作，以知识产权共享的方式，已经在观测识别、数据处理、短时临近预报、多源

融合定量降水预报、强对流潜势预报、霾预报、相似台风检索、预报公文自动制作等多个业务

领域取得若干研究成果。其中，基于深度学习的临近预报已经取得了很好的进展，预报模型不

仅能跟踪雷达回波的移动方向，而且能较好地反映雷达回波的生消变化，较传统雷达回波外推

方法准确率更高。

随着人工智能技术的不断更迭发展，在气象科学领域中的应用前景将愈加广阔。以深度学

习方法为例，在时空背景的有序序列和数据建模方面，由于深度学习所应用的相关数据类型与

气象科学的数据之间存在极大的相似性，这为深度学习成功的应用在气象科学领域提供了新机

遇。利用深度学习可以快速和有效的解决分类、异常检测、回归、空间或时间相关状态预测等

问题，而无需使用主观的人工注释或依赖于预定义阈值的方法。另一方面，深度学习也可以快

速识别和使用事件空间形状中的信息，如自动提取遥感数据中的多尺度特征，从而大大提高分

类精度。

与此同时，深度学习在气象科学应用中也存着许多挑战。首先是可解释性，由于深度学习

算法的潜在特