深度學(xué)習(xí)與氣象應(yīng)用探討

王亮 牛劍 竇硌

摘 要 人工智能的迅猛發(fā)展，在圖像識(shí)別，語言處理等領(lǐng)域取得了巨大進(jìn)步，對(duì)氣象領(lǐng)域的發(fā)展有巨大的啟示作用，為未來氣象預(yù)報(bào)提供了新的方向。

關(guān)鍵詞 深度學(xué)習(xí);氣象;預(yù)報(bào)

伴隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，深度學(xué)習(xí)開啟了人工智能新時(shí)代。以深度學(xué)習(xí)為代表，伴隨其在計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理等領(lǐng)域取得的突破性進(jìn)展，新技術(shù)創(chuàng)新帶來的不僅是挑戰(zhàn)，同時(shí)也給氣象預(yù)報(bào)和監(jiān)測(cè)技術(shù)的發(fā)展帶來了新思考和新方向。

1深度學(xué)習(xí)

1.1 深度學(xué)習(xí)的基本概念

深度學(xué)習(xí)是以建立深層結(jié)構(gòu)化模型為目標(biāo)的機(jī)器學(xué)習(xí)，是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)表征學(xué)習(xí)的方法，基于神經(jīng)網(wǎng)絡(luò)建立模擬人腦分析、學(xué)習(xí)的模型，模仿人腦機(jī)制識(shí)別目標(biāo)，感知信息，通過組合底層特征形成更抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)分布式特征表示，深度學(xué)習(xí)示意圖[1]。

1.2 深度學(xué)習(xí)模型

同機(jī)器學(xué)習(xí)方法一樣，深度學(xué)習(xí)方法也有生成模型與判別模型之分，不同學(xué)習(xí)框架下的學(xué)習(xí)模型不同。

（1）卷積神經(jīng)網(wǎng)絡(luò)。①概念。卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是人工神經(jīng)網(wǎng)絡(luò)的一種，是一種前饋神經(jīng)網(wǎng)絡(luò)，是為識(shí)別二維形狀而特殊設(shè)計(jì)的一個(gè)多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)隊(duì)平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。CNN本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習(xí)大量的輸入與輸出的指尖的映射關(guān)系，而不需要任何輸入和輸出指尖的精確的數(shù)學(xué)表達(dá)式，只要用已知的模式對(duì)卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出對(duì)之間的映射能力。②基本結(jié)構(gòu)。a.輸入層：用于數(shù)據(jù)的輸入。b.卷基層：卷基層是卷積核在上一級(jí)輸入層上通過逐一華東窗口計(jì)算而得，卷積核中的每一個(gè)參數(shù)都相當(dāng)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的權(quán)值參數(shù)，與對(duì)應(yīng)的局部像素相連接，將卷積核的各個(gè)參數(shù)與對(duì)應(yīng)的局部像素值相乘之和，得到卷基層上的結(jié)構(gòu)。c.激勵(lì)層：由于卷積也是一種線性運(yùn)算，因此需要增加非線性映射。使用激勵(lì)函數(shù)：f（x）=max（x，0）。d.池化層：進(jìn)行下采樣，對(duì)特征圖稀疏處理，減少數(shù)據(jù)運(yùn)算量。e.全連接層：CNN尾部進(jìn)行重新擬合，減少特征信息的損失。f.輸出層：最后輸出結(jié)果。③訓(xùn)練過程。a.向前傳播階段。從樣本中取一個(gè)樣本（X，YP），將X輸入網(wǎng)絡(luò);計(jì)算相應(yīng)的實(shí)際輸出OP。在此階段，信息從輸入層經(jīng)過逐級(jí)變換，傳送到輸出層。這個(gè)過程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運(yùn)行時(shí)執(zhí)行的過程。在這個(gè)過程中，網(wǎng)絡(luò)執(zhí)行的是計(jì)算，實(shí)際上就是輸入與每層的權(quán)值矩陣相點(diǎn)乘，得到最后輸出結(jié)果：。b.向后傳播階段：計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Yp的差;按極小化誤差的方法反響傳播調(diào)整權(quán)矩陣。

（2）深度置信網(wǎng)絡(luò)。①概念。深度置信網(wǎng)絡(luò)（DBNs）是一個(gè)概率生成模型，與傳統(tǒng)的判別模型的神經(jīng)網(wǎng)絡(luò)相對(duì)，生成模式是建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布，對(duì)P（Observation|Label）和P（Label|Observation）都做了評(píng)估，而判別模式僅僅評(píng)估了后者。②基本結(jié)構(gòu)。DBNs是有多個(gè)限制玻爾茲曼機(jī)（RBM）層組成，一個(gè)典型的DBN結(jié)構(gòu)。這些網(wǎng)絡(luò)被“限制”為一個(gè)可視層和一個(gè)隱層，層間存在連接，但層內(nèi)的單元間不存在連接，隱層單元被訓(xùn)練去捕捉在可視層表現(xiàn)出來的高階數(shù)據(jù)的相關(guān)性。③訓(xùn)練過程。訓(xùn)練深度置信網(wǎng)絡(luò)，需要充分訓(xùn)練上一層RBM后才能訓(xùn)練當(dāng)前層的RBM，直至最后一層。a.通過一個(gè)非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得生成模型的權(quán)值，可視層生成一個(gè)向量v，通過它將值傳遞到隱層;b.可視層輸入被隨機(jī)選擇，以嘗試重構(gòu)原始的輸入信號(hào);c.權(quán)值更新：新的可視的神經(jīng)元的激活單元將前向傳遞重構(gòu)可視單元，獲得h，后再映射給隱層。d.DBN可以利用帶標(biāo)簽的數(shù)據(jù)以BP算法對(duì)判別性能做調(diào)整。

2深度學(xué)習(xí)在氣象領(lǐng)域的應(yīng)用

深度學(xué)習(xí)在氣象領(lǐng)域的應(yīng)用，一方面，基于數(shù)值預(yù)報(bào)機(jī)理的數(shù)理統(tǒng)計(jì)形成復(fù)雜預(yù)報(bào)模型、預(yù)報(bào)方法;另一方面，基于大數(shù)據(jù)技術(shù)的數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等方法，研究深度學(xué)習(xí)預(yù)報(bào)模型或預(yù)報(bào)機(jī)器人[2]。

2.1 天氣系統(tǒng)識(shí)別

在視頻流中實(shí)時(shí)發(fā)現(xiàn)目標(biāo)及其運(yùn)動(dòng)情況，是當(dāng)前深度學(xué)習(xí)技術(shù)的一個(gè)重點(diǎn)，在歷史氣候數(shù)據(jù)中發(fā)現(xiàn)極端天氣系統(tǒng)的情況與之非常相似。基于這個(gè)思路，開發(fā)的深層卷積神經(jīng)網(wǎng)絡(luò)天氣識(shí)別系統(tǒng)，用氣候數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，已經(jīng)有相當(dāng)高程度的天氣系統(tǒng)識(shí)別準(zhǔn)確率。

2.2 衛(wèi)星云圖識(shí)別和云量計(jì)算

云圖判別研究，首先，對(duì)樣本進(jìn)行歸一化處理，一次作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。其次，建立卷積神經(jīng)網(wǎng)絡(luò)，然后進(jìn)行訓(xùn)練，利用樣本再進(jìn)行測(cè)試。第三，對(duì)卷積神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)層數(shù)、濾波器個(gè)數(shù)、濾波器大小等幾個(gè)方面進(jìn)行優(yōu)化。第四，在運(yùn)用訓(xùn)練后的CNN對(duì)衛(wèi)星云圖檢測(cè)的基礎(chǔ)上，進(jìn)行云量計(jì)算。比較傳統(tǒng)方法，卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算準(zhǔn)確率相對(duì)較高。

3對(duì)氣象保障的影響

3.1 對(duì)氣象保障的影響

一方面，深度學(xué)習(xí)在氣象領(lǐng)域的逐漸展開，從天氣系統(tǒng)識(shí)別到氣象要素預(yù)報(bào)的全方位應(yīng)用，以及深度學(xué)習(xí)模型的逐漸完善，使得數(shù)值預(yù)報(bào)模式的精度增加和范圍擴(kuò)充，氣象保障的精確性會(huì)有大幅度的提升;另一方面，人工智能的氣象預(yù)報(bào)模式和氣象預(yù)報(bào)機(jī)器人的發(fā)展，進(jìn)一步對(duì)當(dāng)前預(yù)報(bào)保障模式提出了挑戰(zhàn)，需要不斷地改進(jìn)保障模式，提高人機(jī)協(xié)作效率[3]。

3.2 對(duì)預(yù)報(bào)員的影響

當(dāng)前，預(yù)報(bào)員的優(yōu)勢(shì)在于豐富的經(jīng)驗(yàn)和對(duì)關(guān)鍵天氣形勢(shì)的把握。在預(yù)報(bào)的初級(jí)階段，預(yù)報(bào)員多年的預(yù)報(bào)經(jīng)驗(yàn)可以用來“喂養(yǎng)”機(jī)器和模式;而在模型和智能化水平越來越高、人工訂正的空間越來越小時(shí)，一部分預(yù)報(bào)員將會(huì)投入技術(shù)研發(fā)，而另一部分預(yù)報(bào)員將主要轉(zhuǎn)向?qū)﹃P(guān)鍵轉(zhuǎn)折性天氣過程和氣象解釋等的氣象服務(wù)工作中。

參考文獻(xiàn)

[1] 趙勇.構(gòu)大數(shù)據(jù)-大數(shù)據(jù)技術(shù)及算法解析[M].北京：電子工業(yè)出版社，2015：101.

[2] 李社宏.氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架及前沿應(yīng)用[J].陜西氣象，2018（1）：21-25.

[3] Lorenz E N.Deterministic Nonperiodic Flow[M].The Theory of Chaotic Attractors.Springer New York，2004：217.