AI技術與衛星資料應用研究現狀分析

匡秋明 于廷照

（中國氣象局公共氣象服務中心，北京 100081）

0 引言

2019年4月23—25日，美國國家海洋和大氣管理局（NOAA）在其天氣和氣候預測中心主辦了利用人工智能（Artificial Intelligence，AI）技術開發利用衛星觀測資料和數值天氣預報的研討會。研討會的目的是促進遙感/地球觀測/數值模式等氣象科學專家和人工智能領域專家之間的知識交流，探索使用人工智能解決NOAA在有效利用爆炸性增長衛星觀測數據方面面臨的重大挑戰。會議指出，人工智能是環境數據處理和開發利用以及NWP中的一項潛在的變革性技術，特別是處理衛星和其他大容量數據的革命性技術。

1 AI在衛星資料環境要素預報研究進展

1.1 云、霧、雪的檢測、識別和預報

衛星圖像云、霧、雪的檢測、識別和預測是各類氣象服務的基礎，有效的云、霧、雪相關算法研究對提高氣象要素預報精度具有一定指導價值。基于人工智能機器學習方法的云檢測技術由來已久，Ting等[1]提出一種多特征融合方法，通過融合譜特征、紋理特征和歸一化植被指數特征，用支持向量機（SVM）對高分衛星圖像進行檢測，識別準確率達到91.45%。多特征融合方法是有效的，但其最大的問題在于特征提取方法需要很強的先驗知識，因此，云檢測準確率在很大程度上依賴于底層特征選擇。為解決此問題，Shi等[2]和Cai等[3]分別提出基于深度網絡的方法，通過網絡自動挖掘云層的潛在判別信息。衛星圖像首先通過線性迭代聚類轉換為超像素子區域，網絡對每個子區域分別檢測識別。針對小型衛星遙感圖像，Zhang等[4]提出一種基于Unet網絡和小波變換的云檢測識別技術，通過紅光、綠光、藍光和紅外四種波段，在Landset-8數據集上云識別準確率達到97.45%。Li等[5]提出還有一種多尺度卷積特征融合技術，采用自動編碼器模型提取多尺度、高層空間特征，不同層特征融合后，通過主流卷積網絡可以實現云檢測分割。此外，Ozkan等[6]提出深度金字塔網絡結構，Hayatbini等[7]提出基于梯度的云檢測分割，其最大優勢是可以逐像素點識別云層類別。Tan等[8]和Mohajerani等[9]最近也提出多種基于卷積長短時記憶網絡和全卷積網絡的云檢測方法。

霧在衛星圖像的呈現形式上與云具有很強相似性，Egli等[10]提出基于多元混合數據和隨機森林的霧檢測方法。Colabone等[11]、Han等[12]將各種氣象要素時間序列轉換為二維圖像，通過卷積神經網絡可以預測短時的霧產生消散情況。Xie等[13]提出多分支深度網絡方法，每個分支在多尺度上分別進行厚霧、薄霧、無霧的檢測識別。此外，利用人工智能技術可以實現衛星圖像云、霧的去除，對地物觀測識別[14-15]、地面能見度分析[16]具有指導作用，對交通流量管理[17-18]、航海[19]、航班飛行[20]等海陸空專業氣象服務也具有重要應用價值。

云、霧、雪底層顏色特征和局部紋理特征的相似性使得如何區分三者之間形態也是當前人工智能技術的發展方向。Zhan等[21]提出一種全卷積網絡，可以在衛星圖像像素級實現云和雪的分類識別分割。盡管此類方法效果明顯，其仍然存在兩方面缺陷：從模型角度此類方法易產生梯度消散并造成模型退化，從數據角度此類方法無法充分利用各類有效數據，從而造成監測識別精度的降低。為解決以上兩點問題，Xia等[22]提出基于多維輸入的深度殘差網絡（Multidimensional deep Residual Network，M-ResNet），通過多維信息輸入實現有效信息互補，該技術可以有效提取衛星圖像特征及譜信息，在多譜段衛星圖像上可以實現無云雪、云、雪、云雪混合四種模態識別。Nijhawan等[23]提出基于深度特征和淺層特征的融合方法，該方法分為兩部分，第一部分以在計算機視覺領域預訓練的主流卷積網絡為基礎，提取衛星數據譜圖像的深度卷積網絡特征，第二部分基于傳統手工特征提取合成孔徑雷達圖像的判別式特征，該方法在驗證集積雪識別的準確率對比主流方法提高了2%。此外，不僅積雪覆蓋區域會影響日常生活，積雪區域的變換也會影響人們的日常生活安排及出行計劃，為此，Varade等[24]提出基于稀疏表示和字典學習的積雪覆蓋區域變化識別方法，將積雪覆蓋區域表示視作圖像，以K-SVD分解得到圖像表示的一組完備基，即字典，再通過稀疏反編碼技術獲取最終積雪覆蓋區域的變化信息，該方法比基于支持向量機的方法效果有明顯提升。Zhu等[25]提出一種針對山地地區高時空分辨率積雪覆蓋區域識別的一種半監督方法，稱為半監督多時段積雪提取法（SMCE）。該方法最大的特點是可以實現多時段相同區域圖像的耦合模型訓練，不同時段的圖像視作相同地表觀測的不同描述形式，然后通過迭代的耦合訓練即可實現大規模無標注數據的有效利用，即半監督方法。

1.2 太陽能輻射預報

太陽能輻射預報隨著各種新能源設備、技術的普及也逐步展開，并且人工智能技術需求日益提高[26-30]。Senkal等[31]利用經緯度、高度、時間、輻射等氣象衛星數據和地理位置作為輸入信息，并基于神經元網絡實現了對任意位置的太陽能輻射預測，以歸一化共軛梯度為優化算法，該神經元網絡與傳統方法最大的不同在于其采用彈性傳播機制而非主流反向傳播，使得神經元網絡的收斂速度明顯加快。Marquez等[32]利用衛星數據和神經元網絡實現了未來2 h逐30 min全球水平太陽能輻射預測，由于太陽能輻射量與云層位置及其厚度有很大關系，該方法首先根據提供的衛星圖像數據估算感興趣區域云的平均移動速度，進而估計在未來短時間內該運動造成云覆蓋量變化對全局輻射的影響，在多種評價準則條件下該方法優于凍結云傳導（Frozen Cloud Translation）模型。Voyant等[33]利用靜止衛星獲取的全球的二維太陽能時間序列作為神經元網絡，實現了對地球上偏遠或無標定地區的太陽能預測。不同于主流基于均方誤差優化目標的方法，該方法在太陽能預測領域首次引入基于互信息評價準則，該準則相較均方差目標能夠最大化感興趣區域損失，后來該方法在計算機視覺領域得到廣泛推廣，即注意力（Attention）機制。Zhou等[34]利用中分辨率成像光譜儀（MODIS）遙感數據，基于隨機森林方法實現了太陽能輻射的逐日預測。隨機森林是機器學習領域常見的一種集成學習方法，簡單起見，博伊西州立大學直接采用開源隨機森林模型，其最大特點是采用耦合方式，融合了地面觀測數據和遙感數據，使得隨機森林模型可以綜合考慮多模式輸入的優勢。Jang等[35]基于多源衛星圖像和支持向量機實現了太陽能輻射預測方法。同Marquez等[32]一樣，該技術首先基于衛星圖像的大氣運動向量（AMVs）實現了大氣層運動信息估計，并利用4年的衛星信息觀測數據實現了基于支持向量機的太陽能輻射時序預測。Srivastava等[36]首次提出基于長短時記憶網絡的太陽能輻射預測技術，并在歐洲16個觀測點和美國5個觀測點全球共計21個地點對該技術進行驗證，證明了該技術的有效性。長短時記憶（LSTM）網絡是深度學習領域一種特別適用于時序估計的模型，該模型由于增加了遺忘門、輸入門、輸出門及中間狀態四種控制信息，可以實現對長短時記憶的自動選擇，提高時序估計性能。Lago等[37]提出基于神經元網絡的短時太陽能輻射預測技術，該技術主要利用衛星觀測數據和氣象預報數據，以多模式數據為輸入，以卷積網絡為方法，以短時太陽能輻射為輸出，其最大優勢是可以實現跨地區預測，并在荷蘭25個觀測點驗證了該技術的有效性。

1.3 土壤水分、植被、湖泊監測預報

地物系統是人工智能領域也是研究熱點，如土壤水分含量預測、作物森林植被覆蓋預測等。Panda等[38]早在十多年前就利用衛星圖像并基于神經元網絡實現陸地湖泊水質估計。Ahmad等[39]最早引入針對衛星圖像的支持向量機技術，用于土壤水分估計。很多水文相關的應用如干旱、洪澇、灌溉等都需要高分辨率土壤水分數據，Srivastava等[40]研究了多種機器學習技術，如神經元網絡、支持向量機、相關向量機、廣義線性模型等在衛星土壤水分圖像上的降尺度方法，Ali等[41]也對此類相關技術展開了細致調研。Xing等[42]利用神經元網絡技術，隱式獲取衛星觀測數據與土壤水分之間的高度非線性關系。Efremova等[43]基于序列到序列最新人工智能技術，從衛星圖像出發，識別分割出作物及其所在陸地區域并實現了土壤水分估計。高精度衛星圖像作物識別對食物安全等具有重要影響，Kuwata等[44]研究了基于支持向量回歸技術和深度網絡技術的衛星圖像作物區域估計。衛星數據的重要性不言而喻，但其標注數據卻少之又少，Xie等[45]利用遷移學習技術，充分利用了多種衛星圖像數據實現了地物區域估計[46]。而后You等[47]又提出基于手工特征提取、卷積網絡、長短時記憶網絡、高斯過程的時空相關作物估計技術。手工特征提取根據人工專家先驗提取判別性特征信息，卷積網絡從數據分布出發隱式提取模型最具判別性特征，長短時記憶網絡通過自帶的輸入門、遺忘門、輸出門及中間狀態實現時域長短的自適應選擇，高斯過程可以實現預估數據的平滑。Kussul等[48]、Garnot等[49]也提出基于衛星圖像和深度網絡的陸地作物分類技術。除作物覆蓋外，森林覆蓋也是地物重要組成部分，Shao等[50]研究了堆疊稀疏編碼器、多步線性回歸、k近鄰、支持向量機、反向傳播網絡、隨機森林等機器學習技術針對衛星數據的森林覆蓋及地面生物量估計。Khan等[51]構建了一種多尺度網絡，將森林覆蓋問題轉換為機器學習中的區域分類問題，實現了純數據驅動的區域表示分類。

2 AI在衛星資料環境質量預報研究進展

2.1 空氣質量監測及預報

環境質量與人生活息息相關，基于衛星數據的空間統計方法研究火熱，與人工智能方法相結合的環境質量檢測技術方法也是研究熱點[52-54]。Ma等[55]基于中國國內PM2.5監控網絡，提出地理加權回歸方法（GWR），與衛星觀測的氣溶膠光學厚度數據相融合，可以估計每天PM2.5濃度變化。通過交叉驗證實驗表明，多模式氣象要素及地面觀測信息可以極大的提高模型預測性能。Song等[56]同樣基于地形加權回歸技術，可以預測珠三角地區PM2.5濃度變化。考慮到濃度隨時間的變化規律，Bai等[57]在地理加權技術的基礎上提出時域地理加權技術（GTWR），基于500 m氣溶膠光學厚度數據可以預測地面PM2.5濃度。具體來說，GTWR通過氣溶膠反演算法（SARA）預測氣溶膠厚度（AOD），然后結合數值天氣預報的多模式氣象要素如行星邊界層高度（PBLH），相對濕度，風速及溫度等可以實現PM2.5濃度的時空動態變化預測。Li等[58]是早期將深度網絡技術應用到地面PM2.5濃度預測的機構之一，在主流深度信念網絡框架下，將地理距離信息和PM2.5時空相關信息融合起來，可以刻畫隱空間PM2.5關鍵特征，預測未來PM2.5濃度信息。Liu等[59]利用衛星觀測數據，基于隨機森林方法實現空間0.01°分辨率網格的長時PM2.5濃度預測，隨機森林法是機器學習領域常用的一種集成學習方法，該方法最大的優勢是可以預測長時間段的PM2.5濃度變化。Shen等[60]提出一種純數據驅動技術，利用深度網絡隱式地學習PM2.5濃度、衛星氣溶膠光學反射率、觀測角度和氣象要素之間的關系。Khaefi等[61]基于氣象數據、衛星圖像和社交媒體圖像多種信息，利用深度網絡技術實現了空氣質量預測。由于主流時域地理加權技術均采用線性回歸作為基本方法，線性假設限制了模型表達能力，為此，Li等[62]在時域地理加權技術的基礎上，充分挖掘數據的非線性關系，將線性回歸泛化為深度卷積網絡，提出時域地理加權深度網絡，具有更強的非線性表達能力，可以預測0.1°空間分辨率的PM2.5濃度，并提出交叉驗證方法[63]。Sarafian等[64]分別檢驗了高斯馬爾科夫隨機場模型和線性混合模型對衛星數據PM2.5濃度預測的效果，結果表明高斯馬爾科夫隨機場模型優于線性混合模型。卷積網絡最早成功的應用于計算機視覺領域，Inception、VGG等模型在物體識別、物體檢測、物體分割領域效果突出，為了驗證該類方法是否能有效解決PM2.5濃度預測問題，Hong等[65]對此展開研究，并利用衛星圖像數據、地面觀測數據和卷積網絡技術，驗證了以上多種新型深度網絡模型如Inception、VGG等在戶外PM2.5濃度預測上的效果。

IBM 綠色地平線是基于衛星觀測等資料，利用AI技術實現空氣質量監測、預報和防治的典型實踐案例。IBM依托收購全球最大氣象公司之一的TWC公司的相關業務，利用長達30年跨度的國際氣象數據分析及預報經驗，從多個尺度挖掘了大氣復合污染成因及傳輸規律。該平臺利用認知計算、大數據分析以及物聯網技術的優勢，分析空氣監測站和氣象衛星傳送的實時數據流，憑借自學習能力和超級計算處理能力，提供未來 72 h的高精度空氣質量預報，實現對城市地區的污染物來源和分布狀況的實時監測。該平臺是基于數據驅動的機器學習典范，該方法通過模擬人類大腦的神經連接結構，將數據在原空間的特征表示轉換到具有語義特征的新特征空間，從而可以不經過人工先驗知識設計，自動地學習得到數據的層次化特征表示，提高預報性能[66]。由IBM研究院研發的“污染過程多維認知案例庫”，可以實現針對全國367個特定城市、20多個維度的歷史污染過程和天氣形勢全自動化認知分析，助力專業管理機構決策。通過同化融合海量歷史數據（諸如空氣質量、氣象、遙感監測等），從污染傳輸、氣象條件、遙感反演等多個維度實現對PM2.5、臭氧等多種污染物的歷史同期污染過程深度對照。

2.2 海洋環境監測及預報

海洋中洋流[67]、旋渦[68-69]、海面溫度[70-71]對海上作業具有重要影響。Keating等[72]提出一種隨機濾波技術，可以基于衛星高度測量數據估計海洋漩渦熱量傳遞，且該技術計算成本低。蔚山國家科學和技術研究所是早期采用機器學習技術和衛星數據檢測沿海水質的機構之一，Kim等[73]利用包括隨機森林、支持向量回歸等模型技術，實現了葉綠素和懸浮物濃度監測，Lee等[74]利用決策樹、隨機森林技術，實現了南極冰川厚度估計。Kim等[75]提出基于深度網絡的南極海冰密度估計技術。該方法首先基于貝葉斯多模型融合構建集成區域氣候模式（RCM），該模型由于充分考慮了單個模型的時空變化性，使得集成后的區域氣候模式可以最小化單個區域模式的不確定性，并用于生成高分辨率觀測數據，然后通過深度神經網絡（DNN）非線性的擬合海冰密度這一要素與各類氣候因子之間的隱式依賴關系，并估計未來10～20 a海冰密度的變化趨勢。由于該模型以氣象先驗為指導對網絡結構、損失函數、優化算法及激活函數等對整個模型學習過程進行優化，模型性能提升明顯。Su等[76]基于支持向量機技術，利用衛星數據實現了印度洋海平面表面溫度、高度、鹽度異常監測。Wang等[77]基于卷積網絡和合成孔徑雷達數據實現了地球兩極海冰密度的估計。以合成孔徑雷達數據為輸入，以海冰密度為輸出，在不經過任何特征提取或圖像分割技術的前提下，卷積網絡可以通過反向傳播按照既定的優化目標函數及優化方式實現模型自動更新。Savitha等[78]新提出一種最小資源分配網絡和增長剪枝徑向基網絡，以序列化的方式實現了海浪高度預測。Ducournau等[79]采用超分辨率卷積網絡，實現了衛星圖像降尺度，并用于海平面溫度的降尺度估計。Huang等[80]基于卷積網絡，實現了SAR圖像端到端的海洋漩渦檢測，在無需任何先驗知識的前提下，大大提高了海洋漩渦檢測精度和速度。

3 AI在衛星資料基本氣象要素監測預報研究進展

3.1 降水預報

降水是與人生活關系最密切的氣象要素之一，自Shi等[81]提出基于卷積長短時記憶網絡（ConvLSTM）的降水技術以來，Shi等[82]、Hernandez等[83]、Ha等[84]、Cao等[85]、Manandhar等[86]都對此展開深入研究。基于衛星數據的降雨估計在覆蓋率和時空分辨率上明顯優于地面降雨估計，為提高基于衛星數據的降雨估計精度，Tao等[87]提出一種二階段網絡技術，第一階段填充缺失值，第二階段實現點對點精準降雨估計。第一階段，模型通過堆棧式噪聲自動編碼器實現面積無雨區域的消除以及有雨區域的精確描述。第二階段，模型仍然通過堆棧式噪聲自動編碼器在保證扭曲分布的前提下，實現降水精準估計。隨后，Tao等[88]又在此基礎上引入星載紅外、水汽數據，提出多模式卷積網絡對該方法進行改進，且驗證試驗表明多模式數據尤其是水蒸氣通道數據對提高識別有無降雨具有明顯提升作用。

3.2 風監測預報

利用機器學習技術針對衛星數據的風要素估計由來已久，早在20年前，Chen等[89]、Cornford等[90]就開始探索用神經元網絡描述衛星散射計與海洋風力場之間的反演物理關系模型。最近，基于機器學習技術的風速估計非常火熱，如Liu等[91]、Wang等[92]、Ghaderi等[93]。基于主流機器學習方法，Xie等[94]、Feng等[95]、Khodayar等[96]主要探究短時風速預報，Wan等[97]主要探究逐天風預報。此外，Zhang等[98]基于玻爾茲曼機、Qureshi等[99]基于回歸和遷移學習、Hu等[100]基于深度遷移網絡、Khodayar等[101]基于深度生成網絡、Qu等[102]基于長短時記憶網絡等均取得了一定進展。Cardona等[103]最近基于主流卷積網絡、遞歸網絡，實現了對自然場景拍攝圖像0.75～11 m/s的風速估計。該方法首先通過耦合式卷積神經網絡提取圖像的隱式判別式特征，而正如風在自然界中是一個連續的過程一樣，該方法隨后通過遞歸神經網絡實現風速變化趨勢的擬合，進而通過特征分類器實現當前時段的風速估計。該成果2019年發表于機器學習及人工智能領域的頂級會議——“神經系統信息處理研討會”，是較為前瞻的AI在氣象領域的先進算法。

3.3 溫度監測預報

Wu等[104]最近使用卷積神經網絡實現了靜止衛星反演路面溫度數據，提出多尺度特征聚合卷積神經網絡，不同于傳統方法只能實現小片區域的溫度補全，MSFC-CNN可以通過卷積網絡高度復雜的非線性特征實現對大片區域的溫度補全。Singh等[105]則采用多線性回歸、多層感知器和自適應神經模糊推理系統技術實現了多深度土壤溫度預報模型。Hendee等[106]研發珊瑚礁預警系統網絡，應用NOAA衛星海洋表面溫度產品和人工智能分析軟件實現了實時監測珊瑚表面溫度。Shiguemori等[107]應用神經網絡方法實現了衛星資料反演大氣溫度，通過輻射傳輸方程直接刻畫衛星數據特征，為神經網絡模型提供訓練數據，神經網絡模型選擇人工智能領域經典的徑向基函數網絡，并以數據為基礎通過反向傳播優化網絡參數。Shiguemori等[108]改進了神經網絡模型，實現對垂直溫度場的反演，并與HIRS/2高分辨率紅外輻射探測儀的真實輻射數據以及無線電探空儀測量的溫度剖面相比較，結果表明，神經網絡模型反演結果與溫度垂直探測結果非常接近。

4 AI在衛星資料高影響性天氣監測預報研究進展

4.1 冰雹監測預報

各種自然災害如冰雹等對工業、農業破壞性強，因此與之相關預警研究具有重要意義。Pullman等[109]研究了基于衛星圖像的冰雹檢測、預警新技術，該技術以主流深度學習網絡為框架，并通過2006—2016年的觀測數據驗證了該技術的有效性。此外，Czernecki等[110]通過隨機森林方法也實現了對冰雹災害的精準估計。由于多數人工智能方法均基于數據驅動，研究者首先從數據多樣性出發，融合了雷達反射率數據、閃電探測數據以及ERA5再分析對流指數數據等，極大地提高了模型的魯棒性，并降低了誤報率。Burke等[111]主要研究了如何通過機器學習方法對模式預報結果進行相關后處理，提高冰雹預測精度。同前述文獻一樣，該方法同樣基于多源數據融合及隨機森林模型提高模型預報精度和魯棒性，不同之處在于該方法基于模式預報后的數據后處理，即冰雹最大期望范圍。

4.2 強風監測預報

大風天氣影響強、范圍廣，每年大風都會造成巨大的生命財產損失，對臺風、風暴等大風信息預警具有實用價值。Kovordanyi等[112]較早開展了基于神經元網絡并針對衛星數據的氣旋風的跟蹤預報，通過模擬人腦機制的多層神經元網絡實現的氣旋風跟蹤估計方法在測試集的方向準確率達98%，并且該研究指出，除衛星圖像外，風速、水溫、相對濕度、氣壓等額外氣象要素可以有效提高預報精度。Qiu等[113]基于模糊集合理論、支持向量機技術及閃電預警信息，提出風暴預警技術。Zhang等[114]基于衛星圖像序列，根據當前和歷史衛星圖像，以氣象知識為先驗，通過卷積網絡提取與最具判別性的視覺特征，通過計算云的局部運動信息實現了短時大風預報。Hong等[115]在衛星圖像基礎上，提出一種新型專用于臺風中心跟蹤的卷積網絡，該網絡用于提取臺風中心顯著判別特征，線性回歸模型實現臺風中心預測。Ruttgers等[116]利用最新生成對抗網絡技術，實現了針對遙感衛星數據對臺風未來6 h軌跡跟蹤，該技術在80 km誤差范圍內準確率為42.4%，120 km誤差范圍的準確率為74.5%。生成對抗網絡是近年來較為火熱的AI技術之一，與傳統卷積神經網絡不同，該網絡分為兩部分，第一部分為生成器，用于對任意的輸入生成目標輸出；第二部分為判別器，用于判斷對任意的輸入是否為真實數據。生成器和判別器的訓練過程是一個博弈的過程，當二者達到納什平衡時，模型的輸出趨于穩定，模型的輸出也即期望輸出。此外，Jiang等[117]、Gao等[118]也對海上臺風預測的相關機器學習技術展開研究。

4.3 強對流洪澇監測預報

對流云的產生通常會伴隨著強降雨、風暴等，而對大數據環境下的強天氣檢測面臨巨大挑戰，當前主流研究方法大多基于相關物理變量而由專家先驗知識定義的閾值，實現強天氣精確仍是研究難點，因此，相關研究對降低災害具有重要意義。Han等[119]在決策樹、隨機森林、支持向量機等機器學習技術的基礎上，利用各種氣象、衛星數據，可以實現檢測強對流的形成過程。Liu等[120]實現了基于卷積網絡的強天氣檢測作為氣象領域強天氣檢測的一種輔助，是全球首次采用深度學習方法用于強天氣檢測，但從機器學習角度來看這只是深度學習技術的一次跨領域嘗試。盡管該方法對輔助強天氣檢測提供了有效幫助，但該方法需要大量標注數據，而實際過程中，強天氣有多種不同表現形式，如颶風、溫帶氣旋等，實現完全標記需要耗費大量人力物力財力。為此，Racah等[121]提出基于半監督時空自動編碼器的強天氣檢測方法，通過多通道時空編碼-解碼器刻畫數據特征，用于擬合多通道數據、時域變換數據以及無標記數據的重構，實現判別式特征提取，從而實現強天氣現象檢測。Zhu等[122]實現了基于主流GoogleNet的強天氣識別。此外，強天氣的出現可能引發諸多災害，Zhou等[123]提出基于卷積網絡的對流天氣識別，Zhang等[124]提出基于雙流全卷積網絡的對流云提取，Bischke等[125]、Biffis等[126]等都提出基于深度網絡和遙感圖像的強對流洪澇檢測技術。

4.4 雷電監測預報

雷電對日常生活影響大、損失嚴重，當前主流基于衛星數據的閃電預測方法都基于不同光譜通道的亮溫觀測，一旦該觀測達到某一設定閾值，即推送閃電預警。Johari等[127]是早期研究基于AI技術閃電預警的研究機構之一，根據歷史觀測數據和各類氣象數據，該方法設計了一組簡單的神經元網絡，僅包含兩層卷積，通過反向傳播優化網絡參數，該模型可以實現提前4 h的閃電預警。Booysens等[128]利用衛星時序數據，研究了K-means方法、決策樹方法、樸素貝葉斯方法在閃電檢測和預警方面的效果。Schon等[129]最近提出多種基于決策樹技術和神經元網絡技術的衛星圖像雷電預警技術，是近年來較為先進的人工智能方法。該技術核心是將衛星圖像的二維光流誤差信息作為決策樹、神經元網絡的輸入，并且認為光流誤差是形成閃電對流的主要影響因子，以此為卷積網絡的輸入，該技術實現了未來15 min雷電精準預警，預警準確率高達96%，且未來5 h雷電預警準確率達到83%。

4.5 火點監測預報

森林覆蓋在生態中存在的最大隱患就是火點[130-132]，森林火點容易造成大量的經濟損失和人員傷亡。森林火險預警的一大難題就是如何在有限計算量的前提下，擬合火勢擴散的動態趨勢，這一過程本身可以視作一種馬爾科夫決策過程，而這一過程的主體是火點位置，動作集是火點可能擴散方向，即東西南北四個方位，回報函數是該方法最終是否預測火點正確。在此框架下，Subramanian等[133]基于最新強化學習技術，分別通過值迭代法和策略搜索中的異步優勢評論算法，實現了森林火點的動態變化估計。Lee等[134]、Zhao等[135]也提出此類基于深度學習的森林火點檢測技術。

5 展望

盡管AI技術具有極其廣泛的應用前景，但該類研究離實際落地應用還有一定差距，人工智能在氣象資料的應用領域面臨著巨大挑戰，主要體現在以下三方面。第一，數據完善及可靠性。AI技術是數據驅動的機器學習機制，其發展離不開大量人工標記數據的支撐，大量氣象觀測站及氣象衛星資料提供了海量數據，但受限于觀測手段等各種因素影響，收集到的數據可能存在缺陷，這會給人工智能算法的學習帶來一定挑戰。第二，平臺可拓展及共生性。傳統氣象領域與當前人工智能領域在技術實現上存在一定差異，氣象領域多數基于大量領域內的專家知識先驗，而AI技術不以先驗為前提，傾向于突出算法模型的自適應能力，因此，如何實現現有氣象平臺的可拓展性以及如何實現人工智能技術與現有氣象平臺的對接也給AI在氣象領域的應用帶來巨大困難。第三，技術落地應用。一種先進方法的落地應用離不開前期基礎積累、中期技術升級以及后期性能檢驗三步流程，為此，需要大量后期性能檢驗，驗證方法技術的有效性，這需要耗費大量的人力、物力、財力，給AI在氣象領域的應用帶來了挑戰。