人工智能在極端天氣的應(yīng)用綜述

李 婧，何貞銘，徐佳琪，王晶晶，陳 昊

（長江大學(xué) 地球科學(xué)學(xué)院，湖北 武漢 430100）

1 引言

在過去的一個(gè)世紀(jì)里，全球范圍內(nèi)的氣候均呈不斷上升趨勢，過去四年也是有紀(jì)錄以來最熱的四年，全球氣候的極端特征明顯，隨之而來的是全球各地頻發(fā)的嚴(yán)重極端天氣事件。因極端天氣事件頻繁且突然，許多地區(qū)準(zhǔn)備不足或來不及準(zhǔn)備，使得生產(chǎn)生活遭受到巨大損失，甚至?xí)＜吧＿@些多發(fā)的極端天氣不斷威脅著基礎(chǔ)設(shè)施建設(shè)、人類健康以及生態(tài)系統(tǒng)。

基于科學(xué)技術(shù)的飛速發(fā)展，人工智能（Artificial Intelligence）在各個(gè)領(lǐng)域大展身手，利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等工具來解決行業(yè)內(nèi)的棘手問題、開拓新的業(yè)務(wù)領(lǐng)域。在氣象領(lǐng)域中也逐漸發(fā)揮著巨大的作用，人工智能應(yīng)用到極端天氣上可以準(zhǔn)確預(yù)測時(shí)間地點(diǎn)同時(shí)做好應(yīng)對措施，減少生命財(cái)產(chǎn)損失。

在1956 年美國達(dá)特茅斯學(xué)院的一個(gè)研討會上[1]，AI（Artificial Intelligence）正式被提出，如今人工智能呈現(xiàn)出了深度學(xué)習(xí)、跨界集成、人機(jī)協(xié)作等新特征[2-3]。

2 天氣預(yù)測的傳統(tǒng)技術(shù)

中國是世界上最早開始進(jìn)行短期氣候預(yù)測研究的國家之一[4]。早在1930 年中國對三大濤動與旱澇之間的關(guān)系進(jìn)行了研究，但是由于影響氣候變化的因素眾多及相互關(guān)系復(fù)雜多變，因此預(yù)測過程十分困難。在過去的60 年中，隨著時(shí)代發(fā)展氣象數(shù)據(jù)類型逐漸豐富，樣本長度不斷擴(kuò)大，同時(shí)計(jì)算機(jī)的應(yīng)用也變得廣泛，計(jì)算速度的加快，中國的短期氣候預(yù)測技術(shù)經(jīng)歷了逐步完善、改進(jìn)和持續(xù)發(fā)展的過程。總的來說傳統(tǒng)天氣預(yù)測技術(shù)經(jīng)歷了三個(gè)主要的發(fā)展階段[5-6]：經(jīng)驗(yàn)統(tǒng)計(jì)，物理統(tǒng)計(jì)和動態(tài)統(tǒng)計(jì)。

2.1 經(jīng)驗(yàn)統(tǒng)計(jì)技術(shù)

在20 世紀(jì)70 年代之前，中國天氣預(yù)測剛剛起步，由于當(dāng)時(shí)氣象資料稀少、計(jì)算條件十分落后，因此主要采用經(jīng)驗(yàn)統(tǒng)計(jì)技術(shù)，借以歷史資料如歷史曲線演變、天氣變化周期、天氣諺語中的經(jīng)驗(yàn)等進(jìn)行分析。隨著資料的積累和技術(shù)的發(fā)展，數(shù)理統(tǒng)計(jì)方法和更多其他方法也得到了應(yīng)用，但這一時(shí)期天氣預(yù)報(bào)制作仍然全部由人工完成。

2.2 物理分析技術(shù)

而后伴隨時(shí)代的進(jìn)步，物理統(tǒng)計(jì)發(fā)展迅速，建立了基于多種數(shù)理統(tǒng)計(jì)方法的統(tǒng)計(jì)預(yù)測模型，到目前為止統(tǒng)計(jì)預(yù)報(bào)方法的研究和應(yīng)用一直在不斷進(jìn)行，并已成為短期氣候預(yù)報(bào)的主要方法之一[7-11]。通過對短期氣候預(yù)測理論的不斷研究發(fā)展，物理因素的分析得到了極大的重視，到了20 世紀(jì)80 年代后期，中國氣候業(yè)務(wù)部門基于物理統(tǒng)計(jì)方法建立了第一代短期氣候預(yù)測自動化業(yè)務(wù)系統(tǒng)，此時(shí)基本告別經(jīng)驗(yàn)統(tǒng)計(jì)階段。

2.3 動力學(xué)分析技術(shù)

動力氣候模式預(yù)測系統(tǒng)是繼物理統(tǒng)計(jì)分析之后的另一個(gè)新階段，在“九五”科技攻關(guān)相關(guān)項(xiàng)目的支持下國家氣候中心建立了第1 代全球海洋資料同化系統(tǒng)（BCC_GODAS1.0），并于2002-10 投入短期氣候預(yù)測業(yè)務(wù)系統(tǒng)的業(yè)務(wù)試運(yùn)行，在氣候預(yù)測業(yè)務(wù)系統(tǒng)中發(fā)揮了重要作用[12]。在之后的“十五”“十一五”期間物理統(tǒng)計(jì)預(yù)測模型的應(yīng)用和外擴(kuò)隨著其他各種項(xiàng)目研發(fā)結(jié)果的支持也逐漸增加。

3 人工智能在天氣預(yù)測中的應(yīng)用

近年來有很多關(guān)于人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的新聞，各個(gè)領(lǐng)域都在嘗試與其相結(jié)合，試圖通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)解決行業(yè)中的問題并擴(kuò)展新業(yè)務(wù)。當(dāng)美國硅谷、國內(nèi)BAT 等互聯(lián)網(wǎng)公司在金融、醫(yī)療、安全、無人駕駛等領(lǐng)域與人工智能完美結(jié)合時(shí)[13]，人工智能在氣象學(xué)領(lǐng)域的應(yīng)用也開始走進(jìn)人們的視野。

3.1 延伸期概率預(yù)報(bào)

在數(shù)值天氣預(yù)報(bào)中[13]，對15～30 d 的延伸期預(yù)測一直沒有好的方法，因此延伸期預(yù)報(bào)一直是氣象預(yù)報(bào)行業(yè)信息研究報(bào)中的難點(diǎn)。

國家氣象中心在2012-12 完成了基于貝葉斯和支持向量機(jī)（SVM）的高溫、暴雨集合預(yù)報(bào)概率預(yù)報(bào)技術(shù)研究以及相應(yīng)的預(yù)警指數(shù)構(gòu)建，利用支持向量機(jī)（SVM）方法，通過對徑向基核的核函數(shù)選取，建立暴雨中期預(yù)警SVM 數(shù)學(xué)模型。2013-10，Earth Risk 發(fā)布了一個(gè)40 d 的氣溫概率預(yù)報(bào)模式TempRisk Apollo[14]。用深度學(xué)習(xí)的方法先把近一百年的歷史氣象數(shù)據(jù)和數(shù)千億次的計(jì)算建立氣候模型，再與目前的氣候條件進(jìn)行比較，最后運(yùn)用預(yù)測分析的方法計(jì)算冷熱天氣的概率，是一種區(qū)別于傳統(tǒng)天氣預(yù)報(bào)的獨(dú)立的預(yù)報(bào)方法。然而單憑人工智能并不可取，比如在更復(fù)雜的天氣進(jìn)行降雨預(yù)報(bào)時(shí)仍需考慮物理原理，因此該公司也開始重視物理機(jī)制和人工智能技術(shù)的結(jié)合。2015 年，Earth Risk 在最新的TempRisk Apollo II 的算法中引入了美國國家環(huán)境預(yù)報(bào)中心（NCEP）和歐洲中期天氣預(yù)報(bào)中心（ECMWF）的數(shù)值預(yù)報(bào)結(jié)果，提供了更加綜合和可靠的預(yù)報(bào)。

3.2 短臨預(yù)報(bào)

與短期、中期和長期預(yù)報(bào)相比，短臨預(yù)報(bào)是天氣預(yù)報(bào)領(lǐng)域中最年輕的成員。短臨預(yù)報(bào)比短期預(yù)報(bào)時(shí)間更短，主要集中在0～12 h，重點(diǎn)面向中小尺度的天氣系統(tǒng)，特別是強(qiáng)對流天氣系統(tǒng)的預(yù)報(bào)，具有較高的時(shí)效性，準(zhǔn)確的短臨預(yù)報(bào)可以為防災(zāi)減害提供有力保證。

北京彩徹區(qū)明科技公司在2014 年發(fā)布了一款基于位置的短臨預(yù)報(bào)APP——“彩云天氣預(yù)報(bào)”[15]，通過地面天氣實(shí)時(shí)觀測，結(jié)合衛(wèi)星遙感云圖和數(shù)值天氣預(yù)報(bào)等數(shù)據(jù)的圖像識別、系統(tǒng)外推和深度學(xué)習(xí)，并與用戶的位置相結(jié)合，把用戶周圍小時(shí)內(nèi)的降水短臨預(yù)報(bào)的準(zhǔn)確性提升到了90%及以上，落區(qū)甚至精確到用戶周圍的每一條街道。但由于該APP 的預(yù)測方法并未基于天氣過程的物理基礎(chǔ)，因此遇到強(qiáng)對流天氣則會漏報(bào)。

中國在2015-06，由中國科學(xué)院自動化研究所與中國氣象局公共服務(wù)氣象服務(wù)中心聯(lián)合實(shí)驗(yàn)室針對氣象大數(shù)據(jù)中的機(jī)器學(xué)習(xí)方法進(jìn)行了氣象多源數(shù)據(jù)融合建模、關(guān)系挖掘、服務(wù)行業(yè)大數(shù)據(jù)挖掘等多項(xiàng)研究，研發(fā)并啟動了一系列成果，包括分鐘降水預(yù)報(bào)、快速循環(huán)地面氣象要素融合、強(qiáng)對流天氣識、能見度監(jiān)測與預(yù)報(bào)等。其中多源數(shù)據(jù)融合建模已實(shí)現(xiàn)分鐘降水預(yù)報(bào)全國0～2 h、1 km×1 km 和每6 min 一次的降水預(yù)報(bào)，實(shí)現(xiàn)了雨、雪、雨夾雪的混合形態(tài)識別，識別精度超過85%。

而后隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，短臨預(yù)報(bào)中的人工智能算法應(yīng)用越來越多。2017 年深圳市氣象局和阿里巴巴共同舉辦了以“智慧城市，智慧國家”為主題的競賽，目的是使用雷達(dá)回波數(shù)據(jù)進(jìn)行短期降水預(yù)報(bào)。2018 年，深圳市氣象局、香港天文臺與阿里云一起舉辦了全球天氣AI 挑戰(zhàn)賽。從兩次競賽的結(jié)果可知卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）可以更好地解決時(shí)空預(yù)測的問題。使用CNN與RNN 方法進(jìn)行短臨預(yù)測源于香港科技大學(xué)施行健博士的文章，主要思想是使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）層從輸入的雷達(dá)數(shù)據(jù)中提取特征，并與LSTM 結(jié)合以進(jìn)行序列預(yù)測。2017年施行健博士升級了模型框架[16]，并在NIPS 上發(fā)布了Trajectory GRU（TrajGRU）。TrajGRU 模型可以解決傳統(tǒng)CNN-LSTM 的短板問題，它能夠主動學(xué)習(xí)時(shí)空遞歸連接結(jié)構(gòu)，動態(tài)刻畫時(shí)空特征，更貼合短臨的場景。

3.3 數(shù)值天氣預(yù)報(bào)

中國數(shù)值預(yù)報(bào)的發(fā)展起步較晚，1954 年中國剛開始相關(guān)的理論研究，在1965 年推出了北半球數(shù)據(jù)預(yù)報(bào)產(chǎn)品，雖然每年都會提出新模式，但基本均為覆蓋全球的大范圍預(yù)報(bào)，直到1997 年中國才正式推出中尺度數(shù)值天氣預(yù)報(bào)系統(tǒng)[17]。

MM5 是美國賓夕法尼亞州立大學(xué)/國家大氣研究中心從20 世紀(jì)80 年代以來共同開發(fā)的第5 代區(qū)域中尺度數(shù)值模式[18]。中尺度數(shù)值模式在全球最廣泛的應(yīng)用是美國大氣研究中心NCAR、國家環(huán)境預(yù)報(bào)中心NCEP 等多單位聯(lián)合建立發(fā)展的WRF（Weather Research and Forecasting Model），作為新一代中尺度預(yù)報(bào)模式和同化系統(tǒng)，它可以提高對中尺度天氣系統(tǒng)的認(rèn)識和預(yù)報(bào)水平，同時(shí)促進(jìn)了成果向業(yè)務(wù)應(yīng)用的轉(zhuǎn)化[19]。

2018-06-15，由北京氣象部門研發(fā)的“睿圖”短期數(shù)值預(yù)報(bào)子系統(tǒng)（RMAPS-ST）1 h 循環(huán)系統(tǒng)正式投入實(shí)時(shí)業(yè)務(wù)試運(yùn)行。系統(tǒng)使用圖像識別和深度學(xué)習(xí)等新技術(shù)，基于雷達(dá)資料快速更新四維變分同化技術(shù)和三維數(shù)值云模式，能夠提供10 min 快速更新循環(huán)的區(qū)域高分辨率大氣三維熱動力場的實(shí)時(shí)快速分析。

4 人工智能在極端天氣預(yù)測中的應(yīng)用

AI 在日常天氣預(yù)測中的成績斐然，面對危害更大的極端天氣，人們希望借助AI 強(qiáng)大技術(shù)手段繼續(xù)其在極端天氣中的應(yīng)用。

4.1 強(qiáng)降雨雪預(yù)測

中國沿海城市是人口稠密和高度城市化的地區(qū)，隨著城市建成區(qū)面積不斷擴(kuò)大，地表持水量、積水和入滲能力減弱，抵御短期強(qiáng)降雨的能力大大降低，極易發(fā)生內(nèi)澇。如果能夠準(zhǔn)確預(yù)測強(qiáng)降雨雪的時(shí)間，對人們的生命財(cái)產(chǎn)安全具有重要的意義。

在氣溫預(yù)測中SINGH 等[20]研究了氣象溫度屬性及針對于特定數(shù)據(jù)序列的依賴關(guān)系，進(jìn)而提出神經(jīng)網(wǎng)絡(luò)結(jié)合基于時(shí)間序列的遺傳算法（genetic algorithm，GA）的綜合反向傳播溫度預(yù)測模型。在考慮了包括降雨量[21]、相對溫度等多各氣象因素后又提出一種基于遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)溫度預(yù)測模型。AZNARTE 等[22]綜合使用四種機(jī)器學(xué)習(xí)算法——廣義線性模型、多變量自適應(yīng)回歸樣條、隨機(jī)森林和分位數(shù)隨機(jī)森林與數(shù)值天氣預(yù)報(bào)進(jìn)行建模、預(yù)測，提出了一種動態(tài)線性評估實(shí)驗(yàn)方法。

雖然中國的強(qiáng)降雨雪預(yù)報(bào)研究相對落后，但也有許多值得借鑒的成就。蘭州大學(xué)的陳曉云等[23]利用多維時(shí)間序列數(shù)據(jù)挖掘模型，對多維序列進(jìn)行符號化后按規(guī)則提取降雨天氣模型；黃明明等[24]通過對北京市日降水量數(shù)據(jù)這種不均衡樣本提出一種偽最近鄰算法，與傳統(tǒng)k 最近鄰算法相比，偽最鄰近算法中的降水量預(yù)報(bào)的準(zhǔn)確性和晴雨預(yù)報(bào)的各項(xiàng)準(zhǔn)確率指標(biāo)顯著提升。在2019 年張遠(yuǎn)汀等[25]將決策樹模型與深度學(xué)習(xí)模型串接，預(yù)測強(qiáng)雨雪天氣過程中的積雪以及積雪的深度。重慶市作為曾飽受天災(zāi)之苦的地區(qū)，重慶市氣象局利用百度飛槳深度學(xué)習(xí)平臺，與百度智能云在2019 年共同構(gòu)建了智能氣象系統(tǒng)，但該系統(tǒng)仍處于測試階段，不會作為最終預(yù)報(bào)數(shù)據(jù)發(fā)布。

4.2 冰雹預(yù)測

2019 年張文海等[26]基于廣東多普勒天氣雷達(dá)的三維拼圖資料，利用機(jī)器學(xué)習(xí)開發(fā)了一種冰雹識別和臨近預(yù)報(bào)的人工智能算法，該算法對冰雹這類非線性強(qiáng)天氣過程具有較強(qiáng)的識別能力。中國氣象AI 公司KuWeather 發(fā)布了最新的基于深度學(xué)習(xí)的冰雹監(jiān)測和預(yù)報(bào)的產(chǎn)品，該產(chǎn)品顆粒度直接達(dá)到經(jīng)緯度級別，同時(shí)其人工智能團(tuán)隊(duì)成功研發(fā)了未來2 h 分鐘級降水短臨預(yù)報(bào)。平臺能夠?qū)崟r(shí)判斷全國任何地理范圍內(nèi)是否有冰雹，并預(yù)測未來特定時(shí)間段內(nèi)的冰雹。

2014 年DAVID 及其團(tuán)隊(duì)[27]將機(jī)器學(xué)習(xí)應(yīng)用于冰雹規(guī)模集合進(jìn)行冰雹尺寸預(yù)測，它能夠讓預(yù)報(bào)員提前數(shù)小時(shí)和數(shù)天預(yù)測嚴(yán)重雷暴的可能性和特征，輸出的模型可以推斷其強(qiáng)度。2019 年DAVID 等[28]利用分析視覺圖像的機(jī)器學(xué)習(xí)模式和人工智能技術(shù)可以改進(jìn)雷暴及冰雹預(yù)報(bào)。該研究還利用不同的機(jī)器學(xué)習(xí)模式進(jìn)行隨機(jī)預(yù)測，用來改進(jìn)冰雹預(yù)報(bào)。隨機(jī)預(yù)報(bào)模式并沒有分析圖像，而是提出一系列問題，像一個(gè)流程圖一樣，用來確定冰雹概率。這些問題可能包括露點(diǎn)、氣溫和風(fēng)是否超過或低于閾值等。2020 年俄克拉荷馬大學(xué)的BURKE 等[29]使用機(jī)器學(xué)習(xí)，把來自新的高分辨率整體預(yù)報(bào)系統(tǒng)版本2（HREFv2）的數(shù)值天氣預(yù)報(bào)（NWP）數(shù)據(jù)進(jìn)行處理來改善冰雹預(yù)報(bào)。

4.3 厄爾尼諾預(yù)測

厄爾尼諾/拉尼娜現(xiàn)象指的是熱帶太平洋海表溫度異常上升/下降的氣候現(xiàn)象，2014—2016 年發(fā)生的超強(qiáng)厄爾尼諾事件具有“生命周期長、累計(jì)強(qiáng)度大、峰值強(qiáng)度高”三個(gè)重要特點(diǎn)，是20 世紀(jì)以來最強(qiáng)的厄爾尼諾事件之一。此次厄爾尼諾事件是全球氣候異常變化的重要因素之一，包括中國在內(nèi)的多個(gè)國家都經(jīng)歷了嚴(yán)重的洪澇災(zāi)害或旱災(zāi)，導(dǎo)致多國糧食嚴(yán)重減產(chǎn)，人民生命財(cái)產(chǎn)受損。但由于傳統(tǒng)天氣預(yù)報(bào)很難對一年后的情況做出準(zhǔn)確預(yù)測，所以厄爾尼諾的長期預(yù)測一直是個(gè)難題。

2017 年，許柏寧等[30]通過實(shí)驗(yàn)從設(shè)計(jì)的深度學(xué)習(xí)網(wǎng)絡(luò)模型中挑出一種可以選擇預(yù)測區(qū)域海平面溫度異常的模型-序列到序列模型，該模型在中長期（提前7 個(gè)月以上）預(yù)測上的均方根誤差表現(xiàn)較好。在實(shí)際區(qū)域海平面溫度異常預(yù)測實(shí)驗(yàn)中，該模型能較好地預(yù)測出海平面溫度異常變化趨勢，但峰值處表現(xiàn)較差。2018 年自然資源部國家海洋環(huán)境預(yù)測中心與清華大學(xué)合作研發(fā)了具有高預(yù)測能力的機(jī)器深度學(xué)習(xí)厄爾尼諾預(yù)測模型，并在2019 年厄爾尼諾春季預(yù)測會議上實(shí)現(xiàn)了試驗(yàn)預(yù)測。南京信息工程大學(xué)與韓國研究人員YOO-GEUN等[31]三位研究人員在2019年開發(fā)出一種深度學(xué)習(xí)模型來預(yù)測厄爾尼諾事件。與目前已知的預(yù)測方法相比，他們的算法模型更為準(zhǔn)確且最早可提前一年半預(yù)測厄爾尼諾事件。

5 結(jié)束語

隨著科技的進(jìn)步人們已經(jīng)解決了一部分的氣候問題，但氣候預(yù)測仍是全世界氣象學(xué)家所面臨的難題，極端氣候事件的預(yù)測更加困難，氣候時(shí)間變化的規(guī)律和形成機(jī)理也一直沒有研究徹底，因此今后不僅要發(fā)展預(yù)測監(jiān)測能力，也要研究氣候事件的統(tǒng)計(jì)特征的變化規(guī)律，而這些問題借助著人工智能都可以更好地實(shí)現(xiàn)。盡管人工智能在天氣預(yù)報(bào)中有著舉足輕重的作用，但招攬人才的時(shí)候卻不順利，專家曾說在人工智能領(lǐng)域中人才嚴(yán)重失衡，目前行業(yè)熱度和高薪都集中在自動駕駛、計(jì)算機(jī)視覺等領(lǐng)域，因此大批頂尖人才的首選不是礦產(chǎn)勘探、天氣預(yù)報(bào)等關(guān)乎國計(jì)民生的行業(yè)。氣象領(lǐng)域人工智能的應(yīng)用雖然已有一定的時(shí)日，在某些方面也取得了一定的進(jìn)展，但總的來說這些應(yīng)用仍較為基礎(chǔ)，大有開發(fā)前景。