机器学习在气象领域的应用现状与展望

机器学习是人工智能的核心,是使计算机具有智能的根本途径之一。随着以深度学习为代表的机器学习算法取得突破,人工智能呈现了加速发展的趋势,在各行业取得了广泛的应用。机器学习在计算效率、准确性、可移植性、协同性、灵活性、易用性等方面具有较大的优势,下一步将有可能改变传统的气象观测模式,加速和改善气象观测数据的处理,改善数值天气预报质量以及推进地球科学的交叉融合。为更好地推动人工智能相关技术在气象领域的应用,本文从气象观探测、数值预报、危险天气识别与预警和卫星资料处理等方面对机器学习算法的应用现状进行了整理。     

人工智能或能提前一周预测台风

日本海洋研究机构和九州大学的研究小组利用人工智能深度学习技术,开发了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征兆云的方法。该方法可识别出夏季西北太平洋热带低气压发生一周前的征兆。研究成果于近期发表在日本《地球与行星科学的进展》杂志网络版。     

基于深度学习和雷达观测的华南短临预报精度评估

利用最新的深度学习算法,即卷积长短期记忆(Convolution Long-Short Term Memory)神经网络,构建基于深度学习的人工智能短临预报系统,以广州地区2019年3-5月雷达观测的数据为输入进行训练,然后进行短期1h内的降水预报。利用常用的统计评分指标(探测率POD、误报率FAR、临界成功指数CSI,相关系数CC)检验模型。结果表明,预报结果与实际观测的相关系数在1h内预报均保持在0.6以上,在1h内预报探测率均保持在80%以上,临界成功指数在降水强度为10mm·h^-1时,基本保持在60%,误报率均小于40%。     

深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估

近年来，人工智能技术在图像识别领域取得了突破性进展，为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值，本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料，对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练，并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上，通过降水强度和降水面积指数筛选降水过程，并以均方误差（Mean Square Error, MSE）、结构相似性指数（Structural Similarity Index Measurement, SSIM）、命中率（Probability of Detection, POD）、空报率（False Alarm Rate, FAR）和临界成功指数（Critical Success Index, CSI）为指标，检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明：（1）整体来看，MIM模型的MSE最小、POD最高，MIM和PredRNN++模型的SSIM并列最高；所有深度学习模型的FAR均低于光流法，且Phy...     

机器学习系统简论

一、学习的含义、学习系统的定义 学习是人类增长知识、改善技能的基本活动。人所以能适应环境的变化并提高解决问题的能力,其原因在于人能通过学习积累经验,总结规律,以增长知识和才能、从而更好地改善自己的决策与行动。早在人工智能研究初期,人工智能研究者就企图理解学习的过程,编制能够进行学习活动的计算机程序。 研究学习有两个基本目的。其一是理解学习活动本身。通过开发计算机学习模型,心理学家获得对人类学习的认识,哲学家理解知识的含义、知识增加的原因等。其二是使计算机具有学习的能力。教会计算机去解决问题而不是编制程序是人工智能的长期目标。计算机的许多应用,诸如智能辅助程序等都包括新知识的获取。因此,学习的研究就能开拓计算机的应用范围。 学习是人类的基本活动,知识则是智能的集中表现。我们所理解的知识主要有两类。一类是显式     

四种机器深度学习算法对武汉地区雷达回波临近预报的检验和评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种机器深度学习算法,利用武汉地区2012—2019年的雷达和降水资料,开展了人工智能技术在武汉地区临近预报中的应用研究,根据均方误差(MSE)、结构相似性指数(SSIM)、命中率(POD)、虚警率(FAR)和临界成功指数(CSI)等指标检验评估了四种机器学...     

面向智能驾驶视觉感知的对抗样本攻击与防御方法综述

现如今,深度学习已然成为机器学习领域最热门的研究方向之一,其在图像识别、目标检测、语音处理、问答系统等诸多领域都取得了巨大成功.然而通过附加经过特殊设计的细微扰动而构造出的对抗样本,能够破坏深度模型的原有性能,其存在使许多对安全性能指标具有极高要求的技术领域,特别是以视觉感知为主要技术优先的智能驾驶系统,面临新的威胁和挑战.因此,对对抗样本的生成攻击和主动防御研究,成为深度学习和计算机视觉领域极为重要的交叉性研究课题.本文首先简述了对抗样本的相关概念,在此基础上详细介绍了一系列典型的对抗样本攻击和防御算法.随后,列举了针对视觉感知系统的多个物理世界攻击实例,探讨了其对智能驾驶领域的潜在影响.最后,对对抗样本的攻击与防御研究进行了技术展望.     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。     

气象领域深度学习知识体系框架及前沿应用

介绍了数据挖掘、机器学习和深度学习的概念和相互关系,按照整体性学习理论建立了气象领域深度学习知识体系框架,简要介绍了当前主流的深度学习框架工具Caffe和TensorFlow,以及深度学习在气象领域的几个前沿应用,最后提出了推进深度学习技术在气象领域研究应用应当重视的三个关键环节。     

基于LSTM-BLS的突发气象灾害事件中公众情感倾向分析

近年来长短期记忆网络（LSTM）在文本情感倾向分析方面显示出一定优势,但LSTM提取特征时存在语义不完整、精度不高等问题.研究者往往通过引入卷积神经网络（CNN）来弥补这一缺陷,但仍然未考虑到单词之间的句法依存问题.本文将以增量学习算法为核心的宽度学习（BLS）与LSTM相融合,提出了LSTM-BLS文本情感分析模型,并以2020断崖式降温事件为例,对突发气象灾害发生时公众情感倾向进行分析.结果表明：与基线模型K-means和支持向量机（SVM）相比,LSTM-BLS模型精度分别提高17.23和13.46个百分点;与已有深度模型LSTM、CNN-LSTM相比,本文模型精度分别提高7.13和4.17个百分点.     

人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。      

人工智能技术气候预测应用简介

近年来,随着人工智能技术在多个领域大数据分析中的应用,许多研究工作者尝试将地学研究与人工智能跨学科结合,取得了很多新的进展,推动了地球科学的发展。其中气候预测与人类生活以及防灾减灾等息息相关,准确的气候预测至关重要。本文简要总结了人工智能技术在气候预测应用方面的研究进展,包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性,可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战,例如数据集的构建、模型的适用性和物理可解释性等问题,对这些难点问题的研究和攻克,可以让人工智能在大数据时代中更好地补充传统地球科学方法,产生更多有益的效应,极大地改进气候预测水平。     

人工智能技术在数值天气预报中的应用

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机.已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计...     

深度学习模型TAGAN在强对流回波临近预报中的应用

近年来深度学习模型在解决对防灾减灾影响巨大且极具挑战性的临近预报问题的应用中日益增多。本文中,我们把临近预报作为一个时空序列预测的任务,将雷达反射率因子作为试验对象,使用基于对抗神经网络（GAN）优化构建的TAGAN深度学习模型预测未来1小时的雷达回波图像,并且与Rover光流法、基于卷积神经网络的3D U-Net模型进行对比试验。选取2018年全球气象AI挑战赛雷达回波数据集进行训练与测试,检验结果表明TAGAN模型在命中率（POD）,虚警率（FAR）,临界成功指数（CSI）以及相关系数等多种评分上要优于传统的光流法和对比的3D U-Net深度学习模型,TAGAN模型在以上的检验评分表现出色,并且随预测时间的增加较之传统光流模型效果更优,这为拓展和提升深度学习模型在临近天气预报中的应用提供了参考依据。     

机器学习技术在现代农业气象中的应用

智慧气象和精准农业结合下的现代农业气象工作意味着对包含遥感影像在内的大型农业和气象数据高时效性的分析与处理,机器学习技术是当代自然科学研究和技术发展的主流技术,亦是现代农业气象科研和业务发展的重要工具。该文系统论述了机器学习技术的主要方法及其在现代农业气象中的主要应用方向,比较了不同方法在农业气象不同领域应用的情况,侧重介绍了基于深度学习技术的成果和近年来的最新研究进展。传统浅层机器学习技术中,以支持向量机和人工神经网络应用最为广泛且效果最为理想。近年来,随机森林和梯度提升机等决策树集成方法普遍取得优于核方法的精度,深度学习技术则在某些任务中取得更优于集成学习的精度。未来,有待检验机器学习技术特别是深度学习技术在更多农业气象问题上的适用性和先进性,更好地迎接现代农业气象发展的新挑战与新机遇。     

人工智能在短临降水预报中应用研究综述

短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴.     

人工智能新技术在国家气象中心台风业务中的应用探索

基于2005—2020年的中国气象局台风最佳路径数据集以及葵花（Himawari-8）和风云（FY-4）卫星云图数据,结合人工智能新技术,将深度学习模型应用于台风涡旋识别、台风定位定强、台风强度突变预测等方面,具体内容主要包括基于深度图像目标检测的台风涡旋识别模型、基于图像分类和检索的台风智能定强模型以及融合时空序列特征的台风快速增强判别模型,构建了一套台风智能监测和预报系统。通过对2020年全年样本进行了测试,结果显示：该系统对强热带风暴级及以上强度的台风涡旋正确识别率达90%以上,台风强度估测的MAE和RMSE分别为3.8 m/s和5.05 m/s,对全年独立样本强度快速加强预测的综合准确率达到65.3%,该系统实现了业务上利用高时空分辨率卫星图像实时对热带气旋进行自动识别、定位定强和智能追踪的功能,为进一步提高我国台风监测和预报预警的能力提供了有利支撑。