深度学习算法在气象预报领域的研究综述

白燕荣 王 娟 李 惠 王晓婷

1．成都信息工程大学 四川 成都 6102251 2延安市宝塔区气象局 陕西 延安 716000

1 引言

互联网、电子科学技术的迅猛发展。信息存储、传感器探测设备等技术不断提高,气象装备日益丰富,气象部门利用现代化的观测设备可以获取高时空分辨率气象数据资料。在大数据时代背景下,基于数值模式的气象预报展现出巨大的发展前景,数据挖掘、深度学习技术也在气象预报中悄然兴起。

2 深度学习在国内外气象预报应用现状

2．1 国外深度学习在气象预报中的应用 20世纪80年代末到90年代初,人工智能在美国、加拿大、英国、法国等国家的天气预报中引起大家的重视。

1986年,Rumelhart等[1]提出了用于人工神经网络的反向传播算法(BP),基于感知机提出用多隐层神经网络(MNN)。MNN使用BP算法训练模型,具有较强的无监督学习能力,可以挖掘隐藏在数据中的复杂模式和规则,学习更加复杂的特征。BP算法和MNN的提出,再度引起人们对人工智能的研究热潮。

2．2 国内深度学习在气象预报中的应用 国内深度学习在气象预报预测方面的研究主要是基于历史气象数据,对各气象要素的独立预报预测和基于对雷达、卫星等图像识别分析,外推短时临近预报。

2．2．1 基于历史气象数据,对各气象要素的独立预报预测 方颖等人[2]利用2015年824个气象站点的气温、相对湿度和风速3套数据,分别构建了气温、相对湿度、风速的广义加性模型(Generalized additive models)GAM和残差自编码器神经网络(简称残差网络)模型,测试结果表明,同GAM相比,残差网络模型预测精度显著提高。

张远汀等人[3]利用2017年12月—2018年2月和2007年12月—2008年2月这两个时间段上的国家测站日值数据,采用深度学习方法训练两个时间段上所有预测为有积雪的个例,建立了预测积雪深度的回归模型,该模型训练得到的误差较小,但不足之处在于,预测极端降雪个例的误差大于普通降雪个例。

哈尔滨工业大学杨涵[4]依次使用ARIMA模型、深度前馈神经网络模型、循环神经网络中具有代表性的RNN－LSTM模型对单站气温要素进行了实验测试。实验得出结论一是相对比传统ARIMA模型,深度学习模型均能表现出了良好的预测性能,尤其是RNN－LSTM序列模型凭借较强的序列学习与预测能力,可作为区域精细化温度预测的一种常规手段。二是对于深度前馈神经网络,考虑多元属性特征并加入滑动时间窗手段后,预测效果提升明显。

2．2．2 基于图像识别分析,对短时临近天气进行预报 气象领域中,人工智能的图像识别技术主要应用于雷达和卫星图像分析。近年来,图像识别技术也开始应用于自动气象观测天气要素的识别上。

为促进人工智能(AI)技术在天气预报上的应用,深圳市气象局连续两年(2017—2018年)通过与阿里巴巴公司、香港天文台合作,共同组织了短时强降水智能临近预报为主题的“全球AI气象挑战赛”。从比赛的数据评分来看,基于AI方法的评分高于光流法的评分,表明了人工智能技术在解决临近预报难题中的具体潜力。

3 深度学习在我国各省气象局的应用研究

目前中国气象局各省对深度学习在气象预报应用的研究进度不一。南部沿海省份气象部门在人工智能方向已经开始研究应用。广东省气象局利用阿里平台,开展基于深度学习的短临降水预报效果良好;北京市气象局将机器学习方法应用于温度预报;福建省气象局基于机器学习的降水要素客观订正方法;中央气象台和清华大学联合开发出一种基于深度神经网络的雷达回波外推方法,该方法比之前运用传统方法进行回波预报的准确率提高了40%左右。内地省份陕西、甘肃、内蒙古、山西省气象局在人工智能方面与气象预报服务相结合的研究中较为落后,陕西省气象局李社宏于2018年发表了文章《气象领域深度学习知识体系框架及前沿应用》介绍了数据挖掘、机器学习和深度学习的基本概念以及相关练习,气象领域深度学习知识体系框架,没有开展基于数据的实验测试。

4 深度学习在气象预报应用研究趋势

人工智能技术发展日新月异的今天,人工智能在气象预报中的应用具有广阔的前景。深度学习的图像分析识别技术在气象雷达、卫星云图的识别和后期反演预测上应用广泛;基于大量的历史气象数据,对气象要素数据进行预测,深度学习预测效果优于数值预报,但仅适用于稳定的气候条件,对于极端、异常、突发的灾害性天气过程,深度学习无法提前精准预报;天气气候系统是一个耗散的、具有多个不稳定源的高阶非线性系统,其复杂的内部相互作用和随机变化导致了天气气候的可变性和复杂性,未来的发展趋势是将深度学习与数值预报优势互补,利用深度学习、图像识别等技术在短临预报、延伸期预报等方面发挥其优势,成为数值预报的一个有力补充。