人工智能技术时代大气科学的发展态势解读

张珉铨

（南京信息工程大学，江苏 南京 226100）

气象学是一门古老又现代的科学，其古老体现在古代人们就夜查天象，通过观察星象图来识别天气状况，其现代又体现在其与科技的发展、技术的创新运用同步更新，与其他学科融合发展，逐渐成为完善的大气科学学科。随着时代的不断发展，人们逐渐进入到人工智能时代，而人工智能技术的创新运用也为大气科学领域的创新提供了技术上的支持，在技术的支持下，大气科学的研究与实践取得了突破性的成果。原本一些棘手的问题也得以解决，大气科学研究深度增加、范围扩大，对生产生活的指导意义更加突出。

1 人工智能的内涵

人工智能一般指人工智能技术，其作为新时期三大尖端技术备受关注。而人工智能算法的改进实现了其在深度学习领域、跨界融合领域、人机协同领域、自主操控领域等多领域的综合运用[1]，人工智能所对应的关键技术主要是机器学习、计算机视觉、知识图谱等技术，其在医疗、金融、教育、科研等方面都有成熟的运用成果，而具体到大气科学研究领域，人工智能技术融合机器学习、深度学习、图像分割、目标跟踪等为气象业务的精细化发展提供技术支持，有利于构建智慧气象新格局。

2 人工智能技术应用于大气科学研究的必要性

当前全球的气候变化明显，恶劣气象灾害发生概率加大，造成的经济损失加重，严重威胁人类社会的发展。因此做好气象监测和预报尤为必要，气象观测、气象监测都需要技术的“加盟”，以提升监测预报的准确性[2]。早在2015 年，中国气象局就明确指出要发展观测智能、预测精准、开放服务的智慧气象，以真正发挥大气科学研究的价值，使其能够助推经济社会的融合创新发展，而当务之急是推进大气科学的现代化建设。其中所对应的智慧气象，就是充分发挥人工智能技术的优势，使其与气象科学研究融为一体，使气象系统准确地感知、判断、决策、分析、自适应，真正带来大气科学的智能化发展。而从世界气象组织确定的智慧气象发展主题来看，人工智能技术与大气科学的融合是必然趋势[3]。以人工智能技术所对应的大数据来说，其对应的是特定领域长期积累的素材、数据、案例，而气象数据则是具有多观测要素与人们生产生活密切关联的大数据，两者具有数据上的耦合性，实现人工智能技术在大气科学领域中的广覆盖有助于借助数理模型解决大气科学研究中的复杂问题，无论是前端观测、数据处理、预报分析、产品提供等都有人工智能技术的影子，将会进一步推动大气科学行业的发展。

3 人工智能技术在气象科学领域中的应用成果

国外气象科学领域对人工智能技术的关注起步较早，在20 世纪80 年代就已经着手人工智能技术与气象科学研究的融合，在几十年的发展中取得了相应的研究成果。例如基于应用机器学习算法开展强风暴的专题研究[4]，采用前馈神经网络法进行单一风暴体的预测，明确直线大风、龙卷风的概率。国外已经将人工智能气象研究的触角延伸到清洁能源预测和航空湍流预报中。如使用人工神经网络配合自回归移动模型进行风速、风能、太阳辐射度的预测，基于模糊逻辑随机森林算法等进行航空湍流的临近预报研究，也有采用神经网络方法、模糊逻辑算法进行气象数据的融合与提取的研究，助力于气象预报[5]。

4 人工智能技术在大气科学领域中的应用体现

4.1 气象观测识别

气象观测识别对应的是针对地球大气的物化生特性和大气现象及其变化过程进行系统连续的观测，观测的主要对象是云温度、湿度等气象要素[6]，也包括气旋、反气旋天气系统、暴雨、冰雹、对流天气现象。气象观测是气象领域科学研究的重中之重，其经历了人工观测、自动化观测再到遥感探测、智能化观测的发展历程，正是因为人工智能技术的引进提高了气象观测水平，人们对天气状态的识别准确度较高。例如基于图像识别技术进行台风、雷暴、龙卷风等天气系统的识别，减少了人工观测误差，气象预报科学性、精确性更有保障。新型卫星遥感降水产品能进行不同云类型降水量的估算，操作简单、应用灵活，能快速识别云的类型，对复杂多变的高层云、高积云、雨层云等都有很好的判断[7]。如深度神经网络云分类（Deep Neural Network Cloud-Type Classification，DeepCTC） 模型支持对流云的数据判断并提取光谱特征，深度对称密集连接全卷积网络SDFCNs 用于提取几何特征，光谱特征与几何特征相结合，实现对流云的提取。

4.2 气象数据处理

气象数据主要分为两类，一类是气象观测、雷达观测设备采集到的数据，既有地面数据又有高空数据；另一类是数值模式预报的资料，又被称为模式数据。人工智能时代利用互联网、移动智能终端等技术可以实现气象数据的有效采集与高效处理。现阶段气象数据种类多且呈激增状态，气象数据处理必须寻求高效化、精准化的处理路径[8]。而机器学习、图像识别、数据挖掘等深度融合的人工智能技术配合传统的人工数据处理方法为气象数据的有效处理指明了方向，主要应用于气象数据的异常检测、数据质量的控制。俄罗斯Yandex 公司开发了专门的天气预报技术Yandex.Meteum，其能将机器学习技术与传统的气象预测模型结合起来，利用深度卷积神经网络进行海量雷达图像数据以及其他气象数据的高效处理。

4.3 天气气候预报

人工智能技术在大气科学领域中的应用也体现在天气、气候分析预报中，目前这一层面的应用十分普遍，支持临近预报、极端灾害天气预警、台风海洋预警、短期气候预测等，在人工智能技术的支持下能实现天气气候的分钟级、千米级预报，气象业务精细化程度较高。人工智能技术也支持特征分类天气系统识别，特别是气象学领域基于增强现实（Augmented Reality，AR） 系统评估气候模型，对综合数据挖掘、机器学习技术进行海量数据分析，推出新的气候分析模型，气候预测方面效果明显。例如针对对流天气，以人工智能技术进行对流天气的天气预报可以减少恶劣天气对人们生命财产的威胁，其使用深度学习方法进行强对流临近预报，基于自动编码器、卷积神经网络构建深度学习冰雹预报模型，也能进行冰雹的识别、定位和预报。也可采用雷达回波数据训练，基于编码器解码器序列结构的深度学习模型，可以进行闪电事件的预警。值得一提的是我国气象局基于数值天气预报数据开发出了针对对流天气深度学习目标预测方案，支持强降水、冰雹、对流、阵风及雷暴天气的预警。

5 人工智能技术在气象科学领域中的应用挑战

人工智能技术处于不断发展与完善的状态，但在实际推广应用过程中，特别是在气象科学领域中的应用也面临一些挑战。以深度学习方法的运用为例，利用深度学习能快速解决气象复杂问题，在异常气象监测/相关状态预测方面应用优势明显，但也有一定的应用局限。主要是深度学习算法存在可解释性的难题，其从数据中探明的关系可能不是因果关系，而深度学习算法在问题的判断与分析中主要基于因果关系，这就导致其无法有效分析问题。再如存在物理一致性的困扰，深度学习模型具有很好的拟合观测性能，但可能会伴有物理上的不一致性或不可信性，加上数据繁杂、差异明显，传感器又对应不同的成像几何形状和差异化的时空分辨率，要想实现数据的有效收集与系统分析并非易事。目前卫星观测序列也面临着数据缺失严重、噪声声源多样等困扰，加剧了数据采集与分析的难度。又如缺少标记样本，深度学习需要有标记样本性为参考，但标注数据集具有概念数据集大小、专业标注人力成本等方面的制约，气象科学数据不够完善。此外气象部门每天要处理大量的高精度数据，气象数据计算工作量大，随着数据的海量激增，如何快速高效地处理这些复杂的气象数据也是一大难题，而这也是人工智能技术在气象科学领域以及其他领域中运用都需要关注与解决的问题。

6 结束语

基于人工智能技术在气象科学领域当前的应用，其未来的发展态势将更加光明而积极。人工智能技术将会贯穿气象观测、数据分析、气象预报、行业服务等各个方面，推动气象研究的深入，使得气象行业纵深发展。而这也要求气象部门寻求更多的社会支持，做好顶层设计，加强人工智能技术的研究投入，以取得人工智能时代更为理想的气象研究新成果。