深度學習與氣象應用探討

王亮 牛劍 竇硌

摘 要 人工智能的迅猛發展，在圖像識別，語言處理等領域取得了巨大進步，對氣象領域的發展有巨大的啟示作用，為未來氣象預報提供了新的方向。

關鍵詞 深度學習;氣象;預報

伴隨著計算機技術的迅猛發展，深度學習開啟了人工智能新時代。以深度學習為代表，伴隨其在計算機視覺、語音識別、自然語言處理等領域取得的突破性進展，新技術創新帶來的不僅是挑戰，同時也給氣象預報和監測技術的發展帶來了新思考和新方向。

1深度學習

1.1 深度學習的基本概念

深度學習是以建立深層結構化模型為目標的機器學習，是機器學習中一種基于對數據表征學習的方法，基于神經網絡建立模擬人腦分析、學習的模型，模仿人腦機制識別目標，感知信息，通過組合底層特征形成更抽象的高層表示屬性類別或特征，以發現數據分布式特征表示，深度學習示意圖[1]。

1.2 深度學習模型

同機器學習方法一樣，深度學習方法也有生成模型與判別模型之分，不同學習框架下的學習模型不同。

（1）卷積神經網絡。①概念。卷積神經網絡是一個多層的神經網絡，每層由多個二維平面組成，而每個平面由多個獨立神經元組成。卷積神經網絡（CNN）是人工神經網絡的一種，是一種前饋神經網絡，是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構隊平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。CNN本質上是一種輸入到輸出的映射，它能夠學習大量的輸入與輸出的指尖的映射關系，而不需要任何輸入和輸出指尖的精確的數學表達式，只要用已知的模式對卷積網絡加以訓練，網絡就具有輸入輸出對之間的映射能力。②基本結構。a.輸入層：用于數據的輸入。b.卷基層：卷基層是卷積核在上一級輸入層上通過逐一華東窗口計算而得，卷積核中的每一個參數都相當于傳統神經網絡中的權值參數，與對應的局部像素相連接，將卷積核的各個參數與對應的局部像素值相乘之和，得到卷基層上的結構。c.激勵層：由于卷積也是一種線性運算，因此需要增加非線性映射。使用激勵函數：f（x）=max（x，0）。d.池化層：進行下采樣，對特征圖稀疏處理，減少數據運算量。e.全連接層：CNN尾部進行重新擬合，減少特征信息的損失。f.輸出層：最后輸出結果。③訓練過程。a.向前傳播階段。從樣本中取一個樣本（X，YP），將X輸入網絡;計算相應的實際輸出OP。在此階段，信息從輸入層經過逐級變換，傳送到輸出層。這個過程也是網絡在完成訓練后正常運行時執行的過程。在這個過程中，網絡執行的是計算，實際上就是輸入與每層的權值矩陣相點乘，得到最后輸出結果：。b.向后傳播階段：計算實際輸出Op與相應的理想輸出Yp的差;按極小化誤差的方法反響傳播調整權矩陣。

（2）深度置信網絡。①概念。深度置信網絡（DBNs）是一個概率生成模型，與傳統的判別模型的神經網絡相對，生成模式是建立一個觀察數據和標簽之間的聯合分布，對P（Observation|Label）和P（Label|Observation）都做了評估，而判別模式僅僅評估了后者。②基本結構。DBNs是有多個限制玻爾茲曼機（RBM）層組成，一個典型的DBN結構。這些網絡被“限制”為一個可視層和一個隱層，層間存在連接，但層內的單元間不存在連接，隱層單元被訓練去捕捉在可視層表現出來的高階數據的相關性。③訓練過程。訓練深度置信網絡，需要充分訓練上一層RBM后才能訓練當前層的RBM，直至最后一層。a.通過一個非監督貪婪逐層方法去預訓練獲得生成模型的權值，可視層生成一個向量v，通過它將值傳遞到隱層;b.可視層輸入被隨機選擇，以嘗試重構原始的輸入信號;c.權值更新：新的可視的神經元的激活單元將前向傳遞重構可視單元，獲得h，后再映射給隱層。d.DBN可以利用帶標簽的數據以BP算法對判別性能做調整。

2深度學習在氣象領域的應用

深度學習在氣象領域的應用，一方面，基于數值預報機理的數理統計形成復雜預報模型、預報方法;另一方面，基于大數據技術的數據挖掘、機器學習等方法，研究深度學習預報模型或預報機器人[2]。

2.1 天氣系統識別

在視頻流中實時發現目標及其運動情況，是當前深度學習技術的一個重點，在歷史氣候數據中發現極端天氣系統的情況與之非常相似。基于這個思路，開發的深層卷積神經網絡天氣識別系統，用氣候數據進行網絡訓練，已經有相當高程度的天氣系統識別準確率。

2.2 衛星云圖識別和云量計算

云圖判別研究，首先，對樣本進行歸一化處理，一次作為卷積神經網絡的輸入。其次，建立卷積神經網絡，然后進行訓練，利用樣本再進行測試。第三，對卷積神經網絡從網絡層數、濾波器個數、濾波器大小等幾個方面進行優化。第四，在運用訓練后的CNN對衛星云圖檢測的基礎上，進行云量計算。比較傳統方法，卷積神經網絡的計算準確率相對較高。

3對氣象保障的影響

3.1 對氣象保障的影響

一方面，深度學習在氣象領域的逐漸展開，從天氣系統識別到氣象要素預報的全方位應用，以及深度學習模型的逐漸完善，使得數值預報模式的精度增加和范圍擴充，氣象保障的精確性會有大幅度的提升;另一方面，人工智能的氣象預報模式和氣象預報機器人的發展，進一步對當前預報保障模式提出了挑戰，需要不斷地改進保障模式，提高人機協作效率[3]。

3.2 對預報員的影響

當前，預報員的優勢在于豐富的經驗和對關鍵天氣形勢的把握。在預報的初級階段，預報員多年的預報經驗可以用來“喂養”機器和模式;而在模型和智能化水平越來越高、人工訂正的空間越來越小時，一部分預報員將會投入技術研發，而另一部分預報員將主要轉向對關鍵轉折性天氣過程和氣象解釋等的氣象服務工作中。

參考文獻

[1] 趙勇.構大數據-大數據技術及算法解析[M].北京：電子工業出版社，2015：101.

[2] 李社宏.氣象領域深度學習知識體系框架及前沿應用[J].陜西氣象，2018（1）：21-25.

[3] Lorenz E N.Deterministic Nonperiodic Flow[M].The Theory of Chaotic Attractors.Springer New York，2004：217.