人工智能技术气候预测应用简介 .pdfVIP

人工智能技术气候预测应用简介

作者：杨淑贤零丰华应武杉杨松罗京佳

来源：《大气科学学报》2022年第05期

摘要近年来，随着人工智能技术在多个领域大数据分析中的应用，许多研究工作者尝试

将地学研究与人工智能跨学科结合，取得了很多新的进展，推动了地球科学的发展。其中气候

预测与人类生活以及防灾减灾等息息相关，准确的气候预测至关重要。本文简要总结了人工智

能技术在气候预测应用方面的研究进展，包括资料同化、模式参数化、求解偏微分方程、构建

统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技

巧的可能性和适用性，可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战，

例如数据集的构建、模型的适用性和物理可解释性等问题，对这些难点问题的研究和攻克，可

以让人工智能在大数据时代中更好地补充传统地球科学方法，产生更多有益的效应，极大地改

进气候预测水平。

关键词人工智能;数值产品释用;气候预测

近年来，热浪、干旱、洪涝、风暴等极端天气气候事件频发，严重影响着当地经济、工农

业发展以及人民的生命财产安全。例如，世界气象组织（WMO）发布的《2020年气候服务状

态报告》指出，2018年全球约有1.08亿人遭受风暴、洪涝、干旱和野火等灾害影响，到2030

年这一数量将增加近50％，每年的损失约为200亿美元。英国公益团体基督教救济会2020年

12月28日发布报告称，2020年大西洋出现30个获得命名的飓风，打破了历年纪录，导致至

少400人死亡、直接经济损失410亿美元以上。2019—2020年澳大利亚发生规模空前的山火，

烧毁20％的森林，烧死成百上千万只野生动物（KomesaroffandKerridge，2020）。由此可

见，气候变化带来的影响已不容小觑，并且气候变化具有很强的敏感性，往往海洋温度变化

0.5℃就能引发强烈的海气相互作用（Trenberth，1997;TrenberthandStepaniak，2001），导致

全球多地的气候发生异常（RasmussonandWallace，1983;Glantzetal，1991;McPhadenetal.，

2006），影响人类社会的进步和发展。

为了更好地应对环境以及气候变化，从古至今人类一直在试图理解客观世界和预测未来。

预测的方法和手段已经发生了天翻地覆的变化，地球科学领域的预测也从古希腊哲学推理发展

到数值模式预报。虽然目前数值天气预报取得了很好的进展，但是气候预测水平并没有很大的

提高（Reichsteinetal.，2019），准确的短期、长期气候预测以及洪涝干旱等极端事件的预测

仍然是主要挑战。目前气候预测主要分为两种方式，一种是基于预测对象和预测因子之间线性

关系的传统统计方法，例如多元线性回归（MultipleLinearRegression，MLR）（Cannonand

McKendry，2002;Mote，2006;Mekaniketal.，2013）、主成分分析（PrincipalComponent

Analysis，PCA）（Ehrendorfer，1987;McCabeandDettinger，2002;MoradkhaniandMeier，

2010）、奇异值分解（SingularValueDecomposition，SVD）（Yunetal.，2003;Qiuetal.，

2007;FattoriniandBrandini，2020）等。这种统计预报关系大多是不随时间变化的，计算比较

简单，依据历史资料建立的模型和当前实际状态可快速预测未来，但这种方法并没有充分利用

物理知识，也难以准确抓住预测对象和预测因子之间复杂的非线性关系。另一种是基于物理定

律对偏微分方程组加入初始条件和边界条件的动力数值模式预报，动力模式可以模拟现象间的

非线性关系和预测每一个事件及其不同的影响，迄今为止世界主要国家研发了大量天气和气候

预测系统，包括南京信息工程大学气候预测系统（贺嘉樱等，2020）等。但是纯动力模式预测

存在两个主要的缺陷：一是数值模式的研发往往需要耗费大量的资源，模式性能的提高十分不

易，且普遍存在各种较明显的系统性模式偏差以及空间分辨率不足等问题，限制了预测技巧;

二是数值模式预测技巧的高低还取决于初始场，即资料同化方法的好坏以及集合预报方案的构

建，尤其是气候预测往往需要研发较好的耦合资料同化方案以及充分考虑观