强化数据分析，精准天气预报，人工智能赋能气象研究|智周核心版

大自然是不可预测和不可预测的。自古以来，人们就建立了各种方法来为生产和生活预测天气。虽然现代天气预报系统在数值预报模型方面取得了很好的效果，但这种依赖于人们对大气物理的理解的物理模型经常受到各种随机因素的干扰，不能满足气候复杂多变地区的预报需求。随着以神经网络为代表的人工智能算法的发展及其在应用领域的成功，气象行业也在尝试用统计算法代替或补充传统的数值模型。许多气象单位、科研机构和技术公司已经将人工智能集成到不同的应用场景中。

作者|闫，

1.气象研究现状及市场规模

人工智能在气象研究和天气预报中的应用带来了巨大的经济效益。突发或极端天气事件对生态系统、基础设施和人类健康具有巨大的潜在风险。就我国东南沿海夏季台风而言，它们影响城镇的正常运行，并经常造成数亿的直接经济损失。2018年，著名的台风朱山过境，造成52亿元的经济损失。尽管天气事件是不可避免的，但早期预警可以挽救一些经济损失。然而，对突发事件的预测是传统天气预测模型的弱点，因此利用人工智能进行预测是一种有价值的尝试。此外，在气象数据处理过程中，人工智能的辅助可以加快数据处理的速度，减少地图判断和预报员的工作量。在风力发电、农业和环境监测等不同行业，人工智能还可以通过提高预测精度来节省成本和提高管理效率。中国工业信息网的数据显示，中国的气象服务行业预计在未来五年内将盈利3000亿元，其中人工智能具有巨大的潜力。

二、气象研究中常用的人工智能技术

计算机视觉:它用照相机和计算机代替人眼来识别、跟踪和测量目标和其他机器视觉，并进一步进行图像处理，用计算机处理更适合人眼观察或传送到仪器进行检测的图像。在天气预报中，雷达数据被转换成图像，这可以被视为计算机视觉问题，并且天气的演变可以从输入图像序列中推断出来。

卷积神经网络:它由一个或多个卷积层和顶部全连通层组成，还包括相关权重和池层。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中具有更好的效果。可以使用反向传播算法来执行训练。与其他深度和前馈神经网络相比，卷积神经网络需要考虑的参数较少，是一种很有吸引力的深度学习结构。

长短期记忆网络:它是一种循环神经网络(RNN)。RNN是一种递归神经网络，以序列数据为输入，递归序列的进化方向，所有节点(循环单元)通过链连接。作为最受欢迎的RNN，LSTIM成功地解决了原有循环神经网络的缺陷，并成功地应用于语音识别、图像描述、自然语言处理等领域。

集成学习:在机器学习的监督学习算法中，学习在所有方面都表现良好的稳定模型有时并不容易。有时我们只能得到多个弱监管模型，这些模型只在某些方面表现良好。综合学习是将多个弱监督模式结合起来，以获得更全面的强监督模式。

人工智能在气象研究中的应用和分布

人工智能在气象研究中的四个应用案例

上海市气象局智能网格预报:在世博会气象服务中，上海市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的大气运动规律，在短期和临震外推预报、短期和临震灾害性天气识别和预报、数值模型预报修正等方面取得了一定的技术成果。在世博天文台的天气预报站，上海精细智能网格编辑系统利用人工智能技术，每天对上海11个站点的短期和即将到来的天气预报进行“修正”，每天发布雷达外推产品和数值预报定量降水修正产品。

谷歌直播:谷歌使用一种完全不考虑物理模型的数据驱动方法来建立一个短期和即将到来的降水预测模型。研究人员仅依靠神经网络通过训练数据集来学习适应大气物理，而不使用大气物理运动的先验知识。这里，降水预报被看作是一个图像到图像的转换问题，用一个具有U网络结构的卷积神经网络来实现预报的目的。与传统实时预测中使用的高分辨率快速刷新(HRRR)数值预测、光流(OF)算法和持久性模型不同，U-Net模型使用精度图和召回图来显示更好的预测质量。此外，该模型还提供额外的瞬时预测，而HRRR等传统方法的延迟为3小时。

风力发电深度思维预测:自2018年以来，谷歌已将气象观测数据、气象预测和现场测量结果输入到深度思维的机器学习平台。经过计算，得到36小时后的风电功率预测，并将其应用于位于美国中部的700兆瓦风电场。通过风力预测，得到第二天预计提供的总电量。谷歌提前通知电力公司这些数据，以使其能够有效地管理电力供应。

人工智能在气象研究中的局限性

虽然许多研究机构和气象预报单位已经使用人工智能作为工具，但是人工智能在多大程度上能够帮助天气预报和气象服务仍然存在争议，值得进一步探索和尝试。在天气预报中，有成千上万的因素影响着天气变化，每一个变量都在不断变化。涉及的变量越多，对人工智能训练数据和计算能力的需求就越高。然而，人工智能也很难捕捉到上述数值模型无法很好处理的局部突发性恶劣天气。这种天气现象在雷达图上没有预警，人工智能算法也无法预测没有回波的情况。

人工智能在气象研究中的发展趋势

目前，人工智能在单个气象研究场景中的应用已经得到业界的认可，例如，基于数值模型预测使用机器学习来校正偏差，使用计算机视觉来处理卫星数据和预测极端天气等。然而，当前的热点领域是使用机器学习工具来加速天气模型的一些组件，以便加速短期邻近预测。在未来，行业和研究机构还将产生更多的案例来建立一个结合机器学习和数值模拟的混合预测模型。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/4056.html。