作者：杜智涛，姜明波，杜晓勇，周育峰，王鹏宇，张志标
DOI：10.19517/j.1671-6345.20200520
全文地址：http://www.qxkj.net.cn/qxkj/article/abstract/20210614
研究背景
Research Background
近10年来，随着信息技术和智能算法技术的突破，人工智能（AI）技术呈现出加速发展的态势，特别是在机器学习、图像识别、大数据分析等技术上产生了相当成熟的成果。在气象领域，各国为推动人工智能的相关应用开展了大量工作。
机器学习在气象领域的应用主要是机器学习相关算法和模型结合气象应用不断调整和优化。机器学习的算法很多，一般根据学习方式分为监督学习算法、非监督学习算法和强化学习算法。
本文从气象观测、数值天气预报、强对流天气识别预警以及卫星资料应用四个方面对机器学习的应用情况进行评述，最后对机器学习在气象领域的发展进行展望。
1、气象观测
随着越来越多的智能手机具备测量大气压力、温湿度等环境参数的能力，许多公司和个人开发了可收集智能手机压力和位置的Android应用程序，例如Cumulonimbus公司开发的Pressure-Net应用程序，目前每小时在全球范围内收集数以万计的地面压力观测值。
基于图像的天气现象识别分类核心在于高效准确的特征提取与表达，并构建合理的分类器。Tan等提出了一种三通道卷积神经网络（3C-CNN）模型，首先利用ResNet50分支从整幅图像中提取全球天气特征，然后通过Concat函数将全局特征和局部特征进行融合，最后，使用Softmax分类器对图像进行分类，并输出识别结果。
Tan等人提出的三通道卷积神经网络结构
由于气候、硬件故障等多种因素的影响，天气雷达经常会产生异常的雷达回波信号，从大量雷达数据中人工识别异常是一项繁重的工作，因此，实现雷达数据中异常回波图像的自动识别具有重要意义。香港科技大学施行健等基于雷达回波外推方面开展了深入的工作，并基于此技术进行了短临降水预测。
施行健等人采用的RNN解码预测结构
2、数值天气预报
英国信息技术专家罗伯托·齐卡里撰文指出，探索机器学习和数值模拟的组合不仅可以促进天气预报能力的进步，也会推动机器学习领域的创新研究。现在比较关注的领域是使用机器学习工具加速数值预报流程的各个环节。本部分主要围绕数值天气预报从观测数据准备到临近预报和数值预测后处理数值的整个流程介绍机器学习算法的应用。
3、强对流天气识别预警
机器学习和数据挖掘方法通过将模型输出与观测值融合，从而在预测模型中相关信息为预测者和用户提供额外的决策支持，目前已在强对流天气的监测预警中广泛应用。
当前主流强对流天气监测预警方法大多基于相关物理变量，由专家先验知识给出。Liu等实现了基于卷积网络的强对流监测预警方法，尽管该方法对辅助强对流检测提供了有效帮助，但该方法需要大量标注数据，而实际过程中，强对流有多种不同表现形式，如飓风、气旋等，实现完全标记需要耗费大量人力物力财力。为此，Racah等提出基于半监督时空自动编码器的强对流检测方法，通过多通道时空编码—解码器刻画数据特征，用于拟合多通道数据、时域变换数据以及无标记数据的重构，实现判别式特征提取，从而实现强对流天气监测。Han等建立了一个支持向量机（SVM）的多普勒雷达回波预测系统，系统结构如下图所示。
基于支持向量机的预测系统
4、卫星资料应用
云检测识别是利用云和晴空像元在不同光谱段上辐射特性的不同，采用多通道辐射信息，将卫星观测像元分为有云像元和晴空像元。目前已利用神经网络、支持向量机、迁移学习、卷积神经网络等方法开展了广泛的卫星图像云检测工作。云、雾、雪底层颜色特征和局部纹理特征的相似性，使得如何区分三者之间形态也是当前人工智能技术的发展方向。卫星遥感提供的全球尺度的高分辨率卫星降水产品，是对地面测量网络的稀疏和不均匀的有限补充，同时可以对气象雷达降雨量进行验证。
5、发展展望
从历史上看传统的气象科学领域属于物理建模范畴，与人工智能为两个不同的领域，具有理论驱动与数据驱动两个截然不同的科学范式，然而两种方法实际上是互补的。理论驱动方法原则上可以直接解释并提供超出观测条件的外推潜力，而数据驱动方法在适应数据方面具有高度的灵活性并且易于发现不确定性问题中的新模式。除此之外，机器学习在气象领域中的应用还存在如下挑战，可解释性、物理一致性、数据的复杂与确定性、缺少标记样本、以及计算需求。
