深度學(xué)習(xí)算法在氣象預(yù)報領(lǐng)域的研究綜述

白燕榮 王 娟 李 惠 王曉婷

1．成都信息工程大學(xué) 四川 成都 6102251 2延安市寶塔區(qū)氣象局 陜西 延安 716000

1 引言

互聯(lián)網(wǎng)、電子科學(xué)技術(shù)的迅猛發(fā)展。信息存儲、傳感器探測設(shè)備等技術(shù)不斷提高,氣象裝備日益豐富,氣象部門利用現(xiàn)代化的觀測設(shè)備可以獲取高時空分辨率氣象數(shù)據(jù)資料。在大數(shù)據(jù)時代背景下,基于數(shù)值模式的氣象預(yù)報展現(xiàn)出巨大的發(fā)展前景,數(shù)據(jù)挖掘、深度學(xué)習(xí)技術(shù)也在氣象預(yù)報中悄然興起。

2 深度學(xué)習(xí)在國內(nèi)外氣象預(yù)報應(yīng)用現(xiàn)狀

2．1 國外深度學(xué)習(xí)在氣象預(yù)報中的應(yīng)用 20世紀80年代末到90年代初,人工智能在美國、加拿大、英國、法國等國家的天氣預(yù)報中引起大家的重視。

1986年,Rumelhart等[1]提出了用于人工神經(jīng)網(wǎng)絡(luò)的反向傳播算法(BP),基于感知機提出用多隱層神經(jīng)網(wǎng)絡(luò)(MNN)。MNN使用BP算法訓(xùn)練模型,具有較強的無監(jiān)督學(xué)習(xí)能力,可以挖掘隱藏在數(shù)據(jù)中的復(fù)雜模式和規(guī)則,學(xué)習(xí)更加復(fù)雜的特征。BP算法和MNN的提出,再度引起人們對人工智能的研究熱潮。

2．2 國內(nèi)深度學(xué)習(xí)在氣象預(yù)報中的應(yīng)用 國內(nèi)深度學(xué)習(xí)在氣象預(yù)報預(yù)測方面的研究主要是基于歷史氣象數(shù)據(jù),對各氣象要素的獨立預(yù)報預(yù)測和基于對雷達、衛(wèi)星等圖像識別分析,外推短時臨近預(yù)報。

2．2．1 基于歷史氣象數(shù)據(jù),對各氣象要素的獨立預(yù)報預(yù)測 方穎等人[2]利用2015年824個氣象站點的氣溫、相對濕度和風(fēng)速3套數(shù)據(jù),分別構(gòu)建了氣溫、相對濕度、風(fēng)速的廣義加性模型(Generalized additive models)GAM和殘差自編碼器神經(jīng)網(wǎng)絡(luò)(簡稱殘差網(wǎng)絡(luò))模型,測試結(jié)果表明,同GAM相比,殘差網(wǎng)絡(luò)模型預(yù)測精度顯著提高。

張遠汀等人[3]利用2017年12月—2018年2月和2007年12月—2008年2月這兩個時間段上的國家測站日值數(shù)據(jù),采用深度學(xué)習(xí)方法訓(xùn)練兩個時間段上所有預(yù)測為有積雪的個例,建立了預(yù)測積雪深度的回歸模型,該模型訓(xùn)練得到的誤差較小,但不足之處在于,預(yù)測極端降雪個例的誤差大于普通降雪個例。

哈爾濱工業(yè)大學(xué)楊涵[4]依次使用ARIMA模型、深度前饋神經(jīng)網(wǎng)絡(luò)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)中具有代表性的RNN－LSTM模型對單站氣溫要素進行了實驗測試。實驗得出結(jié)論一是相對比傳統(tǒng)ARIMA模型,深度學(xué)習(xí)模型均能表現(xiàn)出了良好的預(yù)測性能,尤其是RNN－LSTM序列模型憑借較強的序列學(xué)習(xí)與預(yù)測能力,可作為區(qū)域精細化溫度預(yù)測的一種常規(guī)手段。二是對于深度前饋神經(jīng)網(wǎng)絡(luò),考慮多元屬性特征并加入滑動時間窗手段后,預(yù)測效果提升明顯。

2．2．2 基于圖像識別分析,對短時臨近天氣進行預(yù)報 氣象領(lǐng)域中,人工智能的圖像識別技術(shù)主要應(yīng)用于雷達和衛(wèi)星圖像分析。近年來,圖像識別技術(shù)也開始應(yīng)用于自動氣象觀測天氣要素的識別上。

為促進人工智能(AI)技術(shù)在天氣預(yù)報上的應(yīng)用,深圳市氣象局連續(xù)兩年(2017—2018年)通過與阿里巴巴公司、香港天文臺合作,共同組織了短時強降水智能臨近預(yù)報為主題的“全球AI氣象挑戰(zhàn)賽”。從比賽的數(shù)據(jù)評分來看,基于AI方法的評分高于光流法的評分,表明了人工智能技術(shù)在解決臨近預(yù)報難題中的具體潛力。

3 深度學(xué)習(xí)在我國各省氣象局的應(yīng)用研究

目前中國氣象局各省對深度學(xué)習(xí)在氣象預(yù)報應(yīng)用的研究進度不一。南部沿海省份氣象部門在人工智能方向已經(jīng)開始研究應(yīng)用。廣東省氣象局利用阿里平臺,開展基于深度學(xué)習(xí)的短臨降水預(yù)報效果良好;北京市氣象局將機器學(xué)習(xí)方法應(yīng)用于溫度預(yù)報;福建省氣象局基于機器學(xué)習(xí)的降水要素客觀訂正方法;中央氣象臺和清華大學(xué)聯(lián)合開發(fā)出一種基于深度神經(jīng)網(wǎng)絡(luò)的雷達回波外推方法,該方法比之前運用傳統(tǒng)方法進行回波預(yù)報的準確率提高了40%左右。內(nèi)地省份陜西、甘肅、內(nèi)蒙古、山西省氣象局在人工智能方面與氣象預(yù)報服務(wù)相結(jié)合的研究中較為落后,陜西省氣象局李社宏于2018年發(fā)表了文章《氣象領(lǐng)域深度學(xué)習(xí)知識體系框架及前沿應(yīng)用》介紹了數(shù)據(jù)挖掘、機器學(xué)習(xí)和深度學(xué)習(xí)的基本概念以及相關(guān)練習(xí),氣象領(lǐng)域深度學(xué)習(xí)知識體系框架,沒有開展基于數(shù)據(jù)的實驗測試。

4 深度學(xué)習(xí)在氣象預(yù)報應(yīng)用研究趨勢

人工智能技術(shù)發(fā)展日新月異的今天,人工智能在氣象預(yù)報中的應(yīng)用具有廣闊的前景。深度學(xué)習(xí)的圖像分析識別技術(shù)在氣象雷達、衛(wèi)星云圖的識別和后期反演預(yù)測上應(yīng)用廣泛;基于大量的歷史氣象數(shù)據(jù),對氣象要素數(shù)據(jù)進行預(yù)測,深度學(xué)習(xí)預(yù)測效果優(yōu)于數(shù)值預(yù)報,但僅適用于穩(wěn)定的氣候條件,對于極端、異常、突發(fā)的災(zāi)害性天氣過程,深度學(xué)習(xí)無法提前精準預(yù)報;天氣氣候系統(tǒng)是一個耗散的、具有多個不穩(wěn)定源的高階非線性系統(tǒng),其復(fù)雜的內(nèi)部相互作用和隨機變化導(dǎo)致了天氣氣候的可變性和復(fù)雜性,未來的發(fā)展趨勢是將深度學(xué)習(xí)與數(shù)值預(yù)報優(yōu)勢互補,利用深度學(xué)習(xí)、圖像識別等技術(shù)在短臨預(yù)報、延伸期預(yù)報等方面發(fā)揮其優(yōu)勢,成為數(shù)值預(yù)報的一個有力補充。