天气预报中的人工智能技术进展

（项城市气象局，河南项城 466200）

0.引言

气象预报中，特别是强对流、台风等灾害性天气的预报，因为大气运动复杂性极高，在国际气象学上一直是难题所在。随着科技的不断发展，天气预测工作从古希腊哲学推论、中世纪占卜到现代科学推论、计算机模拟和数值预报，工作形式也从主观性体力劳动模式转变为客观性、定量分析的高科技活动。这种变化的形成，离不开长期计算机计算数据、天气演变方程式解读和未来天气现象预测。虽然天气预报工作已经得到了质的跨越，但是科技不足之处仍然明显，全球主流数值预报模式误差问题仍然未能解决，究其原因，还是缺乏对大气运动规律的科学认识和数值模式的表达方法。随着人工智能（AI）技术的不断研发，在天气预报领域中也得到广泛应用。AI是一种理论、方法、技术和应用系统，它利用数字计算机或由数字计算机控制的机器来进行模拟、衍生和扩展人类智能，利用环境感知、知识获取来得出最佳结果。现今，在我国高性能计算、互联网等技术快速发展背景下，AI也进入了快速发展期[1]。而AI开始受到全球广泛关注的标志性事件，是在2016年世界冠军韩国九段棋手李世石赛事中落败阿尔法狗后，开始大放光芒。在天气预报领域方面，国内外领先的气象业务科研机构也大幅度增加了AI天气预报应用的研发基金，如观测数据质量控制、短时临近预报、灾害性天气监测等，AI技术所呈现的发展趋势，已经开始与数值预报技术并肩。基于此，本文先阐述AI技术在天气预报中的应用现状，并对其未来应用趋势进行简要概括。

1.AI技术在天气预报中的应用现状

1.1 主流 AI技术

AI技术是从手工规则和启发法开始，一步步优化到线性模型和决策树、集成和深度模型、元学习模型，如今模型也日渐成熟，为天气预报技术创造了良好的高科技条件。目前，AI在天气预报应用中，有如下几种技术。

（1）人工神经网络。此类网络模型是由加权非线性函数构成，基于多层连接和训练前提下，网络可作任意非线性函数表达，且在理想情况下，任何非线性过程都能通过它表达出来。人工神经网络在气象领域的应用中，早前是被气象局用来识别云、龙卷、大风、冰雹、降水、风暴，同时还可进行气候分类和观测质量控制。近年来，该技术已经得到进一步研发，延伸出各具优势的其他模型，如深度信念网络（DBN）、卷积神经网络（CNN）、长短时记忆模型（LSTM）、生成对抗网络（GAN）等。

（2）支持向量机（SVM）。它是一种二元分类的广义线性分类器，通过监督学习方式的技术理念来完成非线性分类，技术在应用铰链损失函数、正则化项后可最大程度降低技术风险，目前气象局多用于龙卷风地识别和预报。相关向量机模型与SVM大致相等，能有效解决小样本和非线性问题，气象局通常用于台风定强。

（3）决策树模型。它是一种非参数分类器，树形图决策点、策略点（事件点）及结果构成，操作简单，适用性高，无需验证假设数据就能进行快速结算，就能得出收益最大期望值或最低期望成本等结果，在气象领域中已得到广泛应用。

（4）随机森林法（RFs）。它是由决策树构成的一种集合类型分类器。决策树“森林”中的每棵树因为数据差异性和不同的预测因子训练而不同，因此也称之为“专家库”。例如，“库存”中的渐进梯度回归树方法，一组决策树集合是经boosting算法训练而成，权重是结合前次训练的残差结果来进行确定。此外，也有报道指出，强降水区域划分已经被Baldwin等使用异构聚类法来完成操作[2]。

1.2 AI技术在国内外观测预报中的典型应用实例

1.2.1 观测方面

在观测技术中，美国华盛顿大学就首先进行了关于智能手机气压分析和机器学习的课题研究。目前，IBM的TWC已经利用智能应用程序APP建立了气压观测网，且分布全球的规模让手机气压观测数据积累超过50亿次。

1.2.2 预报方面

如今，我国天气预报领域应用AI技术也取得了进展。中央气象台在面对热带气旋的生成和发展时，对其海量热带低压云图是利用深度卷积神经网络机器完成学习，并结合时空记忆循环网络算法完成雷达外推预报，精准度得以显著提升。

2.AI在天气预报中的未来应用趋势

2.1 AI发展规划

美国的 AI发展计划在世界范围内领先，也间接性反映了未来国际趋势。

（1）结合 NOAA公布的2019年 AI发展战略，能看到他们的具体目标中包含了建立有效的组织结构和流程，为推动 AI研究创新以及拓展和AI合作的伙伴关系做好基础，同时在AI战略业绩管理和效率等方面也取得了变革性进展，并通过整合可扩展的商业数据来继续以指数方式提高数据开发能力。

（2）美国国家航空航天局（NASA）基于AI的地球系统建模架构：结合美国 NASA/GSFC计算与信息科学与技术办公室提供的报告基础上，发现报告评估了 Exascale体系结构和 AI对 NASA地球系统建模的影响。而Goddard地球观测系统（GEOS），经NASA 的Goddard的全球建模与同化办公室（GMAO）开发后，早在2007年有限体积的立方球体（FV3）动态核心就开始得到全面应用，并利用系统的独特性来探索全球大气预测边界。从MERRA-2的全球分辨率为50km，到 GEOS的全球云解析应用，从2009年的3km至2015年的1.5km，FV3支持 NASA的各种建模要求，也为未来10年的技术新飞跃提供了无限可能。

2.2 与数值预报的融合趋势

有报道指出，AI技术近年来虽然得到显著进步，体现在于较传统的线性统计分析、短临雷达外推顶等方法而言，海量数据处理和图像特征识别等新技术已经远远超出传统天气预报的工作效率。但是截至目前为止，天气预报中应用AI技术，仍然停留在初步阶段，究其原因，可浓缩为以下3点：首先，AI技术仍无法完全替代传统的数值预报，甚至不能显著提升数值预报精准度；其次，AI还远远没有实现学习人类经验知识的功能，预报人员识别天气特征的工作靠人工智能难以做到，还需要预报员投入大量的精力来进行诸如天气特征“标记”等的“引导”工作；最后，AI算法目前仍需不断精进，其自身存在的许多瓶颈问题仍待解决，如输入信息稀疏化造成高分辨率分析瓶颈。当前AI在天气预报中的应用，主要是基于计算机行业通用算法来完成变化不大的对象预测，常见有人脸、步态、语音识别等，但不适用于耗散度高、尺度大的高阶非线性灾害天气系统预测。

3.结语

AI近年来发展迅速，天气预报技术也在高科技影响下得到了质的飞跃。与此同时，在面对机遇的同时，挑战也会随之而来。究其原因，能发现AI在天气预报中所应用的技术理论支持仍然存在较多不足之处，AI面对高阶、非线性、甚至混沌的天气系统时，缺乏开创性的理论突破，致使天气预报出现一些误差。然而，笔者坚信在我国经济快速发展背景下，此类现状问题在未来会得到改善，人们对高质量的天气预报需求和精准的预报工作产生的经济消息，都会成为AI技术上升一个新维度的推力，成为记录技术先进性的重要里程碑。