IT思维

公众号/机器之心

大自然风云变幻莫测，令人捉摸不透自古以来人们便为了生产生活建立起来各种预测天气的方法。尽管现代气象预测系统已经在数值预报模型上取得不错的效果，但这种依赖人们对大气物理的理解的物理模型常会收到各种各样随机因素的干扰，无法满足气候复杂多变的地区的预测需求。

伴随着以神经网络为代表的人工智能算法研究的发展和在应用领域的成功，气象行业也在尝试用统计算法代替或补充传统数值模型。不少气象单位、科研机构和科技公司都在不同的应用场景融入了人工智能。

作者 | 言青佳、陆少游

气象研究领域现状及市场规模

人工智能运用于气象研究和天气预报带来的经济效益是巨大的。突发或极端天气事件对生态系统、基础设施和人类健康有着巨大的潜在风险。就我国东南沿海夏季台风而言，影响城镇正常运作，造成的直接经济损失往往上亿。2018年著名台风山竹过境，造成经济损失52亿元。尽管天气事件无法避免，但提前的预警能挽救一部分经济损失。

而对突发事件的预测是传统天气预报模型的软肋，因此借助人工智能进行预报是很有价值的尝试。此外，在气象数据过程，人工智能的辅助能加快数据处理的速度，减轻判图人员和预报人员的工作负担。而在风能发电、农业、环境监测等不同行业，人工智能也能因提高预测准确率而节省成本及增加管理效率。

来自于中国产业信息网的数据显示，未来5年中国气象服务产业收入预计达到3000亿元人民币，而这其中人工智能大有可为。

气象研究中的常用人工智能技术

计算机视觉：是用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。在气象预测中，雷达数据被转换成了图像，可以将这种预测视为一个计算机视觉问题，从输入图像序列去推测气象的演变。

卷积神经网络：由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层（poolinglayer）。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。

长短时记忆网络：是循环神经网络（RNN）的一种。RNN是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络。LSTIM作为当前最流行的RNN成功的解决了原始循环神经网络的缺陷，在语音识别、图片描述、自然语言处理等许多领域中成功应用。

集成学习：在机器学习的有监督学习算法中，学习出稳定的且在各个方面表现都较好的模型有时并不容易。有时我们只能得到多个只在在某些方面表现得好的弱监督模型。集成学习就是将多个弱监督模型组合起来，以期得到一个更全面的强监督模型。

人工智能在气象研究领域的应用分布

人工智能在气象研究领域的应用案例

上海气象局智能网格预报: 在进博会气象服务中，上海气象局利用智能网格预报，通过数据分析和机器学习研究不同尺度大气运动规律，订正数值预报误差，在短临外推预报、短临灾害性天气识别与预测、数值模式预报订正等方面取得了一定的技术成果。

在进博会气象台的天气预报岗，上海精细化智能格点编辑系统利用人工智能技术每天对上海11个站点的短临天气预报进行“订正”，每天发布雷达外推产品和数值预报定量降水订正产品。

Google Nowcast: Google 利用使用一种数据驱动、完全不考虑物理模型的方法来建立短临降水预报模型。研究人员仅依赖神经网络，通过训练数据集来学习拟合大气物理，而没有使用先验的大气物理运动知识。在这里，降水预报被看作是一种由图片至图片的转换问题，并利用一种U-net结构的卷积神经网来实现预报目的。

不同于传统即时预报采取的高分辨率快速刷新(HRRR)数值预报、光流(OF)算法和持久性模型的是，U-Net模型利用精度图和回忆图的方法所表现的预报质量更优。此外，该模型还提供了额外的瞬时预测，而传统的方法如HRRR计算延迟时间有1-3小时。

Deep mind预测风力: Google 自2018年起，将气象观测资料、气象预测、和实地的量测结果输入 DeepMind 的机器学习平台上，经过运算，得到36 小时后的风力预测，进而应用在自家位于美国中部的 700MW 风力发电场。通过风力预测，获得未来一天预计能提供的电力总量。Google 将此数据提前知会电力公司，使其能有效管理供电。

人工智能在气象研究领域的局限性

尽管不少研究机构和气象预报单位都利用上了人工智能这一工具，人工智能能在多大程度上帮助天气预报和气象服务仍充满争议，值得进一步探索尝试。在天气预测中，影响天气变化的因素成千上万个，每一个变量都在时刻不停的变化。涉及到的变量越多，对人工智能训练数据、计算能力的要求就越高。

而前面提到的数值模型不能很好地处理的局部突发性剧烈天气，人工智能亦难以捕捉。这类天气现象事先在雷达图没有预兆的，在没有回波的前提下，人工智能算法也无法进行预报

人工智能在气象研究领域的发展趋势

当前，将人工智能在个别气象研究场景下的应用已获得业界的肯定，例如在数值模型预测基础上利用机器学习订正偏差，利用计算机视觉处理卫星数据及预测极端天气等。而当前比较热的领域是使用机器学习工具加速天气模式的部分组件，以期加速短时临近预报。未来业界和研究机构还将产生更多的案例，来建立融合机器学习与数值模拟的混合预报模式。