近年来, 机器学习理论和方法应用蓬勃发展, 已在强对流天气监测和预报中广泛应用。各类机器学习算法, 包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法, 已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用, 其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征, 为强对流监测提供更全面、更强大的自动识别和追踪能力; 能够有效综合应用多源观测数据、分析数据和数值预报模式数据, 为强对流临近预报预警提取更多有效信息; 能够有效对数值模式预报进行释用和后处理, 提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后, 给出了目前机器学习方法应用中存在的问题和未来工作展望。
文章从以下几个方面介绍了机器学习在强对流检测预报中的应用进展：
- 机器学习在强对流监测中的应用
- 机器学习在强对流临近预报中的应用
- 机器学习在强对流短时和短期预报中的应用
- 存在的问题和未来发展
作者指出：强对流天气监测和预报一直是气象学中最具挑战的领域之一。为了提升其水平，气象学和相关领域的专家在不断求索，迄今为止已经取得了重大进展，但与穷究大气变化规律的终极目标仍很遥远。以机器学习为代表的人工智能的运用，为强对流的监测和应用提供了新的途径和方法。
尽管目前机器学习等人工智能技术在多个行业中的应用都如火如荼，但是机器学习并不是万能的。机器学习在大气科学领域的应用基础仍然依赖于高质量的观测数据、可靠的数值模式预报结果以及深刻的天气原理认识，且要根据不同的应用场景结合物理机理选择合适的机器学习方法。究其本质，机器学习只是一个工具，并不能替代基础天气观测数据、数值预报模式、天气学和大气动力学基础理论发展的研究。在利用人工智能技术发展天气预报技术的同时，也需时刻牢记大气科学基础理论才是强对流天气预报的基础和土壤。
周康辉, 郑永光, 韩雷, 等, 2021. 机器学习在强对流监测预报中的应用进展. 气象, 47(3): 274-289. DOI: 10.7519/j.issn.1000-0526.2021.03.002. ZHOU Kanghui, ZHENG Yongguang, HAN Lei, et al, 2021. Advances in Application of Machine Learning to Severe Convective Weather Monitoring and Forecasting. Meteorological Monthly, 47(3): 274-289. DOI: 10.7519/j.issn.1000-0526.2021.03.002.
