人工智能在氣象科學(xué)中應(yīng)用的機(jī)遇和挑戰(zhàn)

賀潔穎 唐偉 周勇 沈文海

一 、人工智能在氣象領(lǐng)域應(yīng)用簡(jiǎn)介

始于20世紀(jì)50年代的人工智能經(jīng)過多年的演進(jìn)，現(xiàn)已發(fā)展成一門涵蓋計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、腦神經(jīng)學(xué)、社會(huì)科學(xué)等諸多領(lǐng)域的交叉學(xué)科。氣象是一門典型的數(shù)據(jù)分析應(yīng)用學(xué)科，其和人工智能的淵源已久。早在人工智能萌芽期，國(guó)內(nèi)外氣象專家就已開始探索將人工智能技術(shù)應(yīng)用于氣象預(yù)報(bào)相關(guān)研究中。

國(guó)外氣象領(lǐng)域?qū)θ斯ぶ悄艿难芯亢蛻?yīng)用自20世紀(jì)80年代就開始開展，40年來(lái)已有很多可借鑒的成果。強(qiáng)風(fēng)暴天氣（主要包括破壞性直線大風(fēng)、龍卷和冰雹災(zāi)害）每年會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡，一直是氣象災(zāi)害預(yù)測(cè)研究的重點(diǎn)和難點(diǎn)。國(guó)外有很多應(yīng)用機(jī)器學(xué)習(xí)算法針對(duì)強(qiáng)風(fēng)暴開展研究的成果，如采用前饋神經(jīng)網(wǎng)絡(luò)方法對(duì)單個(gè)風(fēng)暴單體來(lái)預(yù)測(cè)發(fā)生直線大風(fēng)或龍卷風(fēng)的概率，采用逐步回歸正向選擇法預(yù)測(cè)強(qiáng)風(fēng)暴，采用樸素貝葉斯分類器方法來(lái)預(yù)測(cè)強(qiáng)風(fēng)暴。一些研究針對(duì)直線大風(fēng)的預(yù)測(cè)進(jìn)行專門的研究，如采用模糊標(biāo)簽神經(jīng)網(wǎng)絡(luò)方法針對(duì)強(qiáng)風(fēng)暴中的直線大風(fēng)進(jìn)行預(yù)測(cè)，采用隨機(jī)森林和梯度提升決策樹方法對(duì)直線大風(fēng)進(jìn)行預(yù)測(cè)。一些研究采用梯度提升決策樹、隨機(jī)森林、彈性網(wǎng)絡(luò)方法等研究風(fēng)暴持續(xù)時(shí)間、冰雹發(fā)生概率的預(yù)測(cè)。

此外，在清潔能源預(yù)測(cè)、航空湍流臨近預(yù)報(bào)、云的分類和降水估計(jì)等領(lǐng)域也有不少應(yīng)用機(jī)器學(xué)習(xí)方法開展的研究。如采用人工神經(jīng)網(wǎng)絡(luò)、自回歸移動(dòng)平均模型、支持向量機(jī)、回歸樹、相似集合方法對(duì)風(fēng)速、風(fēng)能、太陽(yáng)輻照度等進(jìn)行預(yù)測(cè)。一些研究采用模糊邏輯、隨機(jī)森林算法等開展航空湍流的臨近預(yù)報(bào)研究。一些研究采用人工神經(jīng)網(wǎng)絡(luò)方法、多參數(shù)支持向量機(jī)方法、分層K均值聚類方法等針對(duì)衛(wèi)星資料開展云分類和降水估計(jì)研究。還有一些研究采用神經(jīng)網(wǎng)絡(luò)方法、模糊邏輯方法等開展氣象數(shù)據(jù)融合和數(shù)據(jù)提取的研究，在氣象預(yù)報(bào)業(yè)務(wù)上發(fā)揮了很好的作用。

我國(guó)氣象領(lǐng)域?qū)θ斯ぶ悄軕?yīng)用的歷史也可以追溯到 20世紀(jì)80年代到90年代。當(dāng)時(shí)的特點(diǎn)主要是初級(jí)專家系統(tǒng)在氣象災(zāi)害預(yù)測(cè)上的應(yīng)用和人工神經(jīng)網(wǎng)絡(luò)方法在暴雨預(yù)報(bào)、云的識(shí)別等方面的應(yīng)用。在2000年以后也陸續(xù)有一些研究，如采用遷移學(xué)習(xí)、遺傳算法、模糊聚類、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法對(duì)氣象衛(wèi)星云圖進(jìn)行云的識(shí)別和分類，采用人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)等犯法對(duì)氣象衛(wèi)星資料進(jìn)行降水估計(jì)和降水分類。還有一些研究基于氣象衛(wèi)星、環(huán)境衛(wèi)星、陸地衛(wèi)星資料，采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊邏輯、決策樹、貝葉斯方法等開展的氣象資料反演、災(zāi)害性天氣識(shí)別、生態(tài)監(jiān)測(cè)、數(shù)據(jù)融合和提取等研究。

2006年，隨著深度學(xué)習(xí)的出現(xiàn)和取得的研究進(jìn)展，人工智能在全球掀起第三次浪潮，并行計(jì)算、大數(shù)據(jù)等的發(fā)展使得人工智能技術(shù)展現(xiàn)了巨大的應(yīng)用潛力。2017年起，人工智能，特別是深度學(xué)習(xí)在氣象科學(xué)和業(yè)務(wù)中的應(yīng)用已受到我國(guó)氣象專家們的重視。經(jīng)統(tǒng)計(jì)，在氣象領(lǐng)域涉及人工智能相關(guān)算法的SCI和國(guó)際會(huì)議論文中，2014-2018年我國(guó)論文發(fā)表數(shù)和至少被引用一次論文數(shù)在國(guó)際上僅次于美國(guó)，且和美國(guó)差距逐年縮小。熱點(diǎn)研究領(lǐng)域主要包括觀測(cè)數(shù)據(jù)質(zhì)量控制、數(shù)值模式資料同化、數(shù)值模式參數(shù)計(jì)算（如云和對(duì)流參數(shù)化）、模式產(chǎn)品后處理、天氣系統(tǒng)識(shí)別、可再生能源行業(yè)應(yīng)用、航空湍流預(yù)報(bào)、業(yè)務(wù)流程優(yōu)化、智能決策輔助系統(tǒng)等方面。我國(guó)氣象部門通過和清華大學(xué)、北京大學(xué)、中科院等科研院校以及阿里巴巴、百度、IBM等企業(yè)開展合作，以知識(shí)產(chǎn)權(quán)共享的方式，已經(jīng)在觀測(cè)識(shí)別、數(shù)據(jù)處理、短時(shí)臨近預(yù)報(bào)、多源融合定量降水預(yù)報(bào)、強(qiáng)對(duì)流潛勢(shì)預(yù)報(bào)、霾預(yù)報(bào)、相似臺(tái)風(fēng)檢索、預(yù)報(bào)公文自動(dòng)制作等多個(gè)業(yè)務(wù)領(lǐng)域取得若干研究成果。其中，基于深度學(xué)習(xí)的臨近預(yù)報(bào)已經(jīng)取得了很好的進(jìn)展，預(yù)報(bào)模型不僅能跟蹤雷達(dá)回波的移動(dòng)方向，而且能較好地反映雷達(dá)回波的生消變化，較傳統(tǒng)雷達(dá)回波外推方法準(zhǔn)確率更高。

二、人工智能在氣象科學(xué)中應(yīng)用的機(jī)遇和挑戰(zhàn)

隨著人工智能技術(shù)的不斷更迭發(fā)展，在氣象科學(xué)領(lǐng)域中的應(yīng)用前景將愈加廣闊。以深度學(xué)習(xí)方法為例，在時(shí)空背景的有序序列和數(shù)據(jù)建模方面，由于深度學(xué)習(xí)所應(yīng)用的相關(guān)數(shù)據(jù)類型與氣象科學(xué)的數(shù)據(jù)之間存在極大的相似性，這為深度學(xué)習(xí)成功的應(yīng)用在氣象科學(xué)領(lǐng)域提供了新機(jī)遇。利用深度學(xué)習(xí)可以快速和有效的解決分類、異常檢測(cè)、回歸、空間或時(shí)間相關(guān)狀態(tài)預(yù)測(cè)等問題，而無(wú)需使用主觀的人工注釋或依賴于預(yù)定義閾值的方法。另一方面，深度學(xué)習(xí)也可以快速識(shí)別和使用事件空間形狀中的信息，如自動(dòng)提取遙感數(shù)據(jù)中的多尺度特征，從而大大提高分類精度。

與此同時(shí)，深度學(xué)習(xí)在氣象科學(xué)應(yīng)用中也存著許多挑戰(zhàn)。首先是可解釋性，由于深度學(xué)習(xí)算法的潛在特性，從數(shù)據(jù)中發(fā)現(xiàn)的關(guān)系并不一定存在因果關(guān)系，實(shí)現(xiàn)可解釋性也是當(dāng)前深度學(xué)習(xí)的研究焦點(diǎn)。其次是物理一致性，深度學(xué)習(xí)模型可以非常好的擬合觀測(cè)，但是預(yù)測(cè)可能存在物理上的不一致或不可信。再次是數(shù)據(jù)的復(fù)雜和不確定性，由于不同的傳感器顯示出不同的成像幾何形狀、時(shí)空分辨率、物理意義、內(nèi)容和統(tǒng)計(jì)數(shù)據(jù)，因此集成多傳感器數(shù)據(jù)并非易事。此外，衛(wèi)星觀測(cè)序列還存在著各種噪聲源、不確定性水平、數(shù)據(jù)缺失和間隙等問題，也是帶來(lái)數(shù)據(jù)的復(fù)雜和不確定性的主要原因。第三是缺少標(biāo)記樣本，深度學(xué)習(xí)需要大量的標(biāo)記樣本訓(xùn)練集，但由于標(biāo)注數(shù)據(jù)集存在著概念、所涉及的數(shù)據(jù)集的大小、專業(yè)標(biāo)注人力成本等困難，大型的、標(biāo)記好的氣象科學(xué)數(shù)據(jù)集并不完善和充足。最后是對(duì)計(jì)算的需求。目前，氣象部門每天都要處理TB級(jí)的高精度數(shù)據(jù)。雖然典型的計(jì)算機(jī)視覺應(yīng)用已能處理512×512像素的圖像尺寸，但是氣象數(shù)據(jù)如數(shù)值模式輸出數(shù)據(jù)、衛(wèi)星數(shù)據(jù)很多是全球尺度的，中等分辨率（約1km）的全球氣象場(chǎng)的大小約為40，000×20，000像素，即比計(jì)算機(jī)視覺能處理的多三個(gè)數(shù)量級(jí)。因此，氣象數(shù)據(jù)應(yīng)用深度學(xué)習(xí)的計(jì)算需求量非常巨大。

三、人工智能在氣象領(lǐng)域的未來(lái)發(fā)展方向

從歷史上看，物理建模和人工智能通常被視為兩個(gè)不同的領(lǐng)域，具有理論驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)兩個(gè)截然不同的科學(xué)范式。然而，兩種方法實(shí)際上是互補(bǔ)的，物理方法原則上可以直接解釋，并提供超出觀測(cè)條件的外推潛力，而數(shù)據(jù)驅(qū)動(dòng)方法在適應(yīng)數(shù)據(jù)方面具有高度的靈活性，并且易于發(fā)現(xiàn)不確定性問題中的新模式。這兩種方法之間的協(xié)同作用一直受到關(guān)注，未來(lái)的氣象模型應(yīng)該整合基于物理過程的和人工智能的方法。但我們也應(yīng)該清醒的認(rèn)識(shí)到理論與觀測(cè)、假設(shè)生成與理論驅(qū)動(dòng)假設(shè)檢驗(yàn)之間的科學(xué)相互作用將繼續(xù)存在，數(shù)據(jù)驅(qū)動(dòng)的人工智能方法在氣象科學(xué)研究中不會(huì)取代物理建模，而是對(duì)物理建模強(qiáng)有力的補(bǔ)充和豐富。即，研究物理和數(shù)據(jù)驅(qū)動(dòng)模型之間的各種協(xié)同作用，其最終目標(biāo)是混合建模方法：這些方法應(yīng)遵循物理定律，具有概念化，因而可解釋的結(jié)構(gòu)，同時(shí)在理論薄弱的情況下完全適應(yīng)數(shù)據(jù)。

具體而言，隨著深度學(xué)習(xí)模擬能力以及氣象觀測(cè)能力的不斷進(jìn)步，人工智能在氣象科學(xué)應(yīng)用的發(fā)展將在以下幾個(gè)方面有所進(jìn)展。隨著深度學(xué)習(xí)的不斷應(yīng)用，未來(lái)可能會(huì)在圖像識(shí)別（如極端天氣型分類和異常檢測(cè)）、超分辨率處理（氣候模式降尺度）、時(shí)間預(yù)測(cè)和空間預(yù)測(cè)等方面取得較大進(jìn)展。

改進(jìn)模式的參數(shù)化方案。物理模型需要參數(shù)，但其中許多參數(shù)不易從基本原則中推導(dǎo)出來(lái)，只能用經(jīng)驗(yàn)性的數(shù)據(jù)來(lái)代替。深度學(xué)習(xí)可以學(xué)習(xí)參數(shù)化，以最佳方式描述地面真實(shí)情況。

改進(jìn)模型后處理能力。深度學(xué)習(xí)有助于識(shí)別、可視化和理解模型誤差的模式，使便于校正模型輸出和改進(jìn)模式。

提高雷達(dá)、衛(wèi)星圖像等的圖像識(shí)別能力。如可以通過圖像識(shí)別改進(jìn)臺(tái)風(fēng)等極端天氣型的分類和異常檢測(cè)，還可以改進(jìn)臨近預(yù)報(bào)能力。

改進(jìn)氣候預(yù)測(cè)能力。由于氣候預(yù)測(cè)存在很大的不確定性，深度學(xué)習(xí)可以通過對(duì)氣候數(shù)據(jù)的學(xué)習(xí)得到新的預(yù)測(cè)模型，還可以通過超分辨率處理方法進(jìn)行氣候模式的降尺度應(yīng)用。

推進(jìn)地球科學(xué)的進(jìn)一步交叉融合。隨著觀測(cè)數(shù)據(jù)的不斷拓展和人工智能計(jì)算能力的不斷提高，人工智能，特別是深度學(xué)習(xí)，提供了很有前途的工具，可以為地球系統(tǒng)各組成部分構(gòu)建新的數(shù)據(jù)驅(qū)動(dòng)模型，從而重新建立我們對(duì)地球的理解。這將有利于地球科學(xué)中大氣科學(xué)、地理學(xué)、地質(zhì)學(xué)等學(xué)科從發(fā)展理念、算法建模、仿真應(yīng)用等方面集成和協(xié)同發(fā)展，同時(shí)進(jìn)一步推進(jìn)各學(xué)科的深度融合。

四、結(jié)論與建議

人工智能技術(shù)仍在飛速發(fā)展，Gartner公司預(yù)計(jì)其核心算法深度學(xué)習(xí)有望在未來(lái)2到5年達(dá)到成熟期并投入實(shí)際生產(chǎn)應(yīng)用。研究發(fā)現(xiàn)，人工智能在氣象領(lǐng)域有寬廣的應(yīng)用前景。在氣象科學(xué)方法上，數(shù)值預(yù)報(bào)方法仍然是核心和科學(xué)進(jìn)步的關(guān)鍵，數(shù)據(jù)驅(qū)動(dòng)的人工智能方法不會(huì)取代物理驅(qū)動(dòng)的數(shù)值預(yù)報(bào)方法，而是對(duì)數(shù)值預(yù)報(bào)強(qiáng)有力的補(bǔ)充和豐富，將是基于物理過程和深度學(xué)習(xí)的混合建模方法。此外，從整體來(lái)看，未來(lái)人工智能將會(huì)貫穿氣象觀測(cè)、數(shù)據(jù)、信息網(wǎng)絡(luò)、預(yù)報(bào)、服務(wù)全業(yè)務(wù)過程。這不僅將影響氣象預(yù)報(bào)方法的改進(jìn)，更將影響整個(gè)氣象行業(yè)的發(fā)展布局。因此，氣象部門應(yīng)抓緊人工智能發(fā)展機(jī)遇，做好頂層設(shè)計(jì)和統(tǒng)籌布局，以更好的姿態(tài)迎接人工智能時(shí)代的到來(lái)。

作者單位：山西省氣象科學(xué)研究所 賀潔穎、唐偉

中國(guó)氣象局資產(chǎn)管理事務(wù)中心 周勇、沈文海

本文受到2019年度氣象軟科學(xué)重點(diǎn)項(xiàng)目“氣象發(fā)展“十四五”規(guī)劃預(yù)研：人工智能應(yīng)用重大工程及政策”（項(xiàng)目編號(hào)：2019ZDIANXM19）的支持。