{教育快讯}人工智能会成为优秀的天气预报员吗

本篇文章2682字，读完约7分钟

最近，一则人工智能可以提前一周预测台风的消息引起了关注。该报告称，日本海洋研究所和九州大学的研究团队利用人工智能深度学习技术，开发了一种从全球云系统分辨率模型(nicam)气候实验数据中高精度识别热带低气压症状云的方法。这种方法可以识别夏季西北太平洋热带低气压前一周。

不知道，原来人工智能已经开始在天气预报方面发挥作用了。会不会比人类预测更准确？为此，我采访了中央气象台的专家，试图了解天气预报人工智能助手的表现。

ai已经成为天气预报研究的热点话题

据相关报道，研究小组的具体做法是，首先利用热带低气压跟踪算法，从全球云系分辨率模型20年积累的气候实验数据，再加上100万张未演变成热带低气压的低压云图，制作出5万张热带低气压初始云和演变中的热带低气压云图。总共105万张图片形成10组学习数据，利用深度卷积神经网络的机器学习生成10种不同特征的识别器，进而可以构造10种识别器

对此，中央气象台台风海洋气象预报中心副主任钱启峰表示，有关报道只是介绍了做法，并没有反映具体的预报结果。“台风的发展有一些阶段，在海洋中形成胚胎需要很长时间，短的时间是2到3天，长的时间需要5天甚至7天才能发展成台风。相信有可能提前7天识别出热带低气压前的征兆。”

钱启枫认为，神经网络在天气预报中的应用并不新鲜。20世纪80年代，已经有了一些应用。随着大数据和人工智能的发展，海量数据深度学习和复杂神经网络逐渐得到应用，人工智能成为天气预报的热门话题。它不仅用于临近天气预报、气候应用研究、台风海洋预报、海雾预报等领域，还拥有人工智能技术的加持。

中央气象台天气预报技术研究发展办公室副主任介绍，学术界对ai在天气和气候方面的应用研究进展进行了分类整理，主要包括雷达质量控制、卫星数据反演和同化等气象数据处理；短期临近预报、概率预报、台风海洋天气预报、极端或恶劣天气预警、环境预报等天气服务；天气和气候分析，如风暴环境特征分类和天气系统识别；通信、生态环境、水资源和能源领域的商业或工业应用。如何将人工智能技术应用于天气和气候的研究和应用成为热点。

弥补传统数值模型的不足

根据该杂志，传统的天气预报正在不断开发更复杂的动态数值模型，以便更准确和提前预报天气。人工智能是大数据驱动的预测技术。“事实上，这两种方法解决的是不同的问题，即不断发展的数值模式系统提供了更高的分辨率和更准确的预测结果。然而，由于其自身的缺陷和天气预报的不确定性，仍然不能满足各种用户的不同需求。数据驱动方法为弥补这一差距提供了非常有用的方法。代坎说。

在中国，近年来，随着气象服务的现代化，人工智能技术逐渐得到应用。据戴侃介绍，在国家气象中心，研究人员应用数据挖掘技术提取海量集合预报数据的预报信息，如开发的最优百分位数技术和台风路径优化选择集成方法，对提高预报精度起到了显著作用。

“我们正在探索人工智能技术在电网预测业务中的应用。通过与清华大学合作，采用分布式深度学习框架和时间空记忆深度循环网络算法，雷达外推预测的精度比过去平均提高了40%代坎说。

在公共气象服务中心，研究人员和天津大学共同开发了国家强对流服务产品处理系统。利用图像识别、深度学习等新技术，系统可以快速、智能地监测和预警强对流天气，并能在未来30分钟内判断强对流天气发生和影响的区域。预测产品的分辨率在空地区之间为1 km，每6分钟更新一次。

除了国家气象台，各省气象台也开展了相关研究。“人工智能这么火，我们肯定希望在我们这个行业早点用上，没有新技术就落后。”钱奇峰笑着说道。目前，广东省气象局利用阿里平台开展的基于深度学习的短临降水预报效果良好；北京气象局也将机器学习方法应用于温度预测；福建省气象局基于机器学习的降水要素客观校正方法已在多个省级气象局推广应用。

利用优势深入发展

虽然取得了一系列成果，但与发达国家相比，我国在人工智能在天气预报中的研究和应用仍存在一定差距，包括:人工智能技术应用侧重于短期的近期预报，而对数据质量控制、多灾天气预警能力、产品生产和决策服务等整个天气预报业务链的支持远远不够；Ai技术主要侧重于应用开发，针对业务需求的相关理论研究和针对性研发不够深入。

在这方面，问题建议，为了进一步促进人工智能技术在业务流程的关键环节发挥重要作用，新的和更先进的人工智能技术理论研究和应用开发应在未来得到加强。“目前，大多数人工智能技术方法仍然是在大气科学中开发的。专业背景人员是中流砥柱，需要统计学、计算科学、大数据挖掘等专业背景的科学家加入，并积极与相关高校、科研院所合作。”

更重要的是，ai技术的输出质量受到输入数据质量的限制。为了取得更好的效果，需要加强高质量、长序列气象训练数据集的研究和开发，如提供模型数据的长历史和一致的统计特征，整理和开发高分辨率的观测和分析数据，用于训练和检验。在日本海洋研究所和九州大学的上述研究中，为了通过深度学习获得更高的识别精度，研究团队需要每种气象类型数千张图片以上的大量数据。"我们还在对长期气象数据进行再分析。"代坎说。

此外，他强调，大多数人工智能技术类似于“黑盒”，在正常情况下运行良好，但在极端情况下可能会失败。因此，根据daikan的说法，英国气象局一直在使用数据驱动将统计技术与物理模型和深入理解相结合，并积累了大量经验。例如，将高分辨率观测网、复杂数值模型和再分析数据与统计技术相结合，为风能行业开发了一种业务预测工具，可以提供更高精度的风预测，适用于复杂地形条件。

“为了克服来自黑盒应用的挑战，也有必要为环境科学发展机器学习理论和方法。”代坎说。此外，还需要积极推进研究成果向业务应用的转化，包括建立开放创新的后处理支撑基础设施、建立跨部门团队构建和维护通用ai算法软件、培训测试数据、检查评估等。，并为培训R&D级相关人员提供资源。

根据daikan的说法，有一个好的预报并不意味着做出一个好的决策，传统的数值预报结果越来越准确，但降水、台风强度和路径等预报结果可能不会导致一个好的应对决策。在这方面，人工智能技术大有可为。人工智能虽然不能很好地模拟传统的物理过程，但它可以通过整合交通、能源和农业等各个领域的数据和研究，帮助人类在处理天气影响时提出更好的决策方案。

“人工智能在气象行业的应用刚刚起步，未来还有很多应用场景。”钱奇峰说,“在未来10年，将数值预报和基于物理模型的数据驱动方法相结合将为天气预报带来新的机遇，例如将机器学习应用于交通堵塞、航空空延误、花粉过敏等。很难用物理模型处理，但可以提供更有价值的信息。”

崔爽