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,得到改进且计算速度大幅提升,展示出良好的应用前景,一些神经网络模型也表现出纯数据驱动预报的可能性,在短时强对流天气、降水以及气候预测中已有较为理想的应用实例。然而,人工智能技术在数值天气预报中的应用与发展仍面临一些挑战,主要包括深度学习的弱解释性、不确定性分析以及两者的耦合等,除了应对这些挑战,未来两者的深度结合还需要在理论指导下的人工智能模型设计、高时空分辨率人工智能预报模型设计以及使用更多新型人工智能技术等方面深入探索。     

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。     

我国短期气候预测技术进展

经过近60年的发展,我国短期气候预测技术和方法也有了长足进步。近年来,一些新的预报技术和机理认识不断应用于短期气候预测业务。ARGO海洋观测资料的使用大大提高了业务模式的预测技巧,新一代气候预测模式系统已经投入准业务化运行,研发了多种模式降尺度释用技术,多模式气候预测产品解释应用集成系统(MODES)和动力-统计结合的季节预测系统(FODAS)逐渐应用于业务中,大气季节内振荡(MJO)逐步在延伸期预报中得到应用。近年来,对全球海洋、北极海冰、欧亚积雪、南半球环流系统对东亚季风影响的新认识也不断引入到短期气候预测业务中。这些新技术和新认识的应用极大提高了我国短期气候预测的业务能力。     

CMIP6海洋模式比较计划（OMIP）概况与评述

海洋模式比较计划（OMIP）是第六次国际耦合模式比较计划（CMIP6）中的一个支撑子计划。OMIP致力于CMIP6中模式系统偏差来源及其影响这样一个重要科学问题。同时,OMIP也将在区域海平面变化和近期气候（未来10~30 a）或者年代际气候预测的相关科学问题上有重要贡献,这些问题被世界气候研究计划（WCRP）列为气候科学领域巨大挑战的科学问题。OMIP采用统一的大气外强迫数据集和通量计算方案,进行全球海洋-海冰耦合试验、示踪物试验以及生物地球化学循环试验。同时,OMIP提供了一套针对海洋变量的详细的诊断框架,这个框架既可以评估和改进模式模拟,也可以用于理解海洋-海冰过程在整个气候系统中的作用。     

陆面过程模式研发中的问题

陆面过程研究是充分理解天气/气候/地球系统过程不可或缺的重要主题。本文全面梳理了当前用于数值天气/气候/地球系统模式的陆面过程模式研制的问题,建议了当前陆面过程模式研制中需加强和改进完善的关键内容。特别强调在新一代模式研发中建立包含人类活动的高分辨率全球陆面过程模式;特别强调与其他学科相结合,形成不同行业的预报预测系统或研究方法和工具。建议建设中国的集模式发展、数据分析、模拟方法、高性能计算、数据可视化和应用示范为一体的陆面模拟综合集成平台,为天气/气候/地球系统模式提供陆面过程模式,为开展精细化的全球和区域陆面水文-气象-生态的预报预测提供科技支撑。     

降尺度方法在东亚气候预测中的应用

东亚气候变异十分复杂,全球动力预测系统对该地气候异常的预测能力偏低,如何进一步提高东亚地区气候异常的预测水平是一个非常重要的科学和现实需求问题。为此,近些年一系列的动力和统计降尺度方法得以发展。本文主要回顾了这些降尺度方法在东亚气候预测研究和实时预测中的应用。首先,文中简要介绍了我国目前应用于实时预测的全球动力预测系统及其性能,这是开展降尺度的科学和技术基础;在此基础上,从区域模式物理过程参数化方案的评估与遴选、区域模式在东亚气候预测中的应用两个方面,对于动力降尺度方法的发展和应用做了回顾;在统计降尺度的综述中,本文主要关注了东亚夏季汛期和冬季气候异常的预测,特别是针对东亚冬季气候异常,本文中提出了新的高效的统计与动力相结合的预测方法。最后,展望了短期气候预测需要进一步深入研究的科学和技术问题。     

气候动力学与气候预测理论的研究

主要概述了中国科学院大气物理研究所近些年来在气候动力学与气候预测理论研究领域的若干重要研究进展.通过对气候系统变化多尺度特征及其动力学的分析和研究,提出了一系列气候系统动力学理论,并在此基础上提出了适合于我国季风气候特点的气候预测理论和方法,在国际上率先开展了跨季度数值气候预测,进一步建立了先进、完善的短期数值气候预测系统,并应用于我国夏季旱涝预测业务.这些工作既带有极大的基础性意义,同时也具有巨大的应用价值,为我国大气科学及气候科学乃至环境科学的研究提供了重要工具.     

科学大数据在全球气候变化研究中的应用

本文从气候系统观测资料、数值模拟资料、经济社会资料和土地利用资料等方面论述了全球气候变化的科学大数据的构成。为推动气候变化大数据的应用,需要进一步发展集成融合、存储共享、数字模拟和数据挖掘等新的科学大数据处理技术方法。文章还分析了科学大数据在全球气候服务框架和未来地球计划中的应用价值,并对其未来发展进行了展望。     

气象领域人工智能的现在与未来 ——张平文院士及团队骨干访谈录

韩佳芮:您认为,目前人工智能应用在气象预报业务的哪个领域最有优势和潜力?人工智能可以解决这些领域中的什么关键问题? 张平文:随着多年的发展,气象预报已经有了巨大进展.综合气象观测体系更加完善,积累了海量、长时间序列、质量较好的多源气象观测数据.全球数值天气预报能力也不断提高,目前,数值预报模式基本可以解决大部分区域的大...     

基于EMD方法的观测数据信息提取与预测研究

用统计方法作月、季尺度的短期气候乃至年际尺度的长期气候预测是当前气候预测业务的主要依据,在短时间内这种情况仍然不可能彻底改变。虽然数值预报模式的预测能力达到了7 d的时效,不过要积分到月、季尺度并实现短期气候预测还面临着重重困难。其根本原因是气候系统的混沌分量和非线性/非平稳性等因素在起作用。而现有气候预测的统计方法(主要包括经验统计、数理统计和物理统计等方法)的数学基础却忽略了这些特点,这是因为以现有的科学水平人们不得不假设时间序列是线性和平稳的。实际气候观测序列普遍具有层次性、非线性和非平稳性,这给建立预测方法带来了极大困难。文中构建了一个新的预测模型,即首先利用经验模态分解(em-pirical mode decomposition,EMD)方法将气候序列作平稳化处理,得到一系列平稳分量-本征模函数(intrinsic modefunction,IMF);其次,利用均生函数(mean generate function,MGF)模型获得各分量的初次预测值;最后,在最优子集回归(optimal subset regression,OSR)模型的基础上,通过直接或逐步拟合一部分预测值,构建两种预测方案达到提高预测能力的目的。典型气候序列的预测试验结果表明,具有平稳化的IMF分量,尤其是特征IMF分量有较高的可预测性,它对原序列趋势的预测有重要指示意义。大力开展气候系统机理和气候层次的研究,并建立相应的气候模式是未来发展趋势。该文是这方面的一个初步尝试,相信该模型能为气候预测(评估)开辟一条新的有效途径。     

Application of the Analogue-Based Correction of Errors Method in ENSO Prediction

In this study, a method of analogue-based correction of errors（ACE） was introduced to improve El Ni？o-Southern Oscillation（ENSO） prediction produced by climate models. The ACE method is based on the hypothesis that the flow-dependent model prediction errors are to some degree similar under analogous historical climate states, and so the historical errors can be used to effectively reduce such flow-dependent errors. With this method, the unknown errors in current ENSO predictions can be empirically estimated by using the known prediction errors which are diagnosed by the same model based on historical analogue states. The authors first propose the basic idea for applying the ACE method to ENSO prediction and then establish an analogue-dynamical ENSO prediction system based on an operational climate prediction model. The authors present some experimental results which clearly show the possibility of correcting the flow-dependent errors in ENSO prediction, and thus the potential of applying the ACE method to operational ENSO prediction based on climate models.     

气候统计诊断与预测方法研究进展———纪念中国气象科学研究院成立50周年

概述了近50年来中国气象科学研究院在气候统计诊断与预测方法方面的研究进展。20世纪60年代, 我国气候学者引入统计学方法, 结合我国的气候特点, 开展了气候统计分析与预测的研究; 70年代至80年代期间, 中国气象科学研究院首先将模糊集理论和灰色系统推向大气科学的各个领域, 并在应用推广工作中做出了积极的努力; 进入20世纪90年代, 利用气候统计诊断与预测新方法对气候系统进行更深入地研究, 得到许多新的观测事实, 不仅涉及气候趋势与突变诊断、年代际振荡, 多尺度变率相互作用, 还涉及气候异常成因的研究。同时, 提出和发展了一系列统计预测的新方法, 并已在气候业务预测和气象决策服务中发挥了作用。     

我国短期气候预测的物理基础及其预测思路

短期气候预测依据大气科学原理,运用气候动力学、统计学等手段,在研究气候异常成因的基础上对未来气候趋势进行预测。虽然目前我国短期气候预测的水平还不高,但短期气候预测是国家经济发展和防灾减灾的迫切需求,提高预测准确率是气象科研和业务人员的重要任务。该文从海洋、积雪等外强迫信号及大气环流大尺度变动等大气内部特性等角度概述了短期气候预测的物理基础,简要回顾了近60年来我国短期气候预测的发展历程,并介绍了作者近十几年来研制短期气候预测客观统计学及统计与动力学相结合预测模型的主要思路。     

数值预报误差订正技术中相似-动力方法的发展

Due to the increasing requirement for high-level weather and climate forecasting accuracy, it is necessary to exploit a strategy for model error correction while developing numerical modeling and data assimilation techniques. This study classifies the correction strategies according to the types of forecast errors, and reviews recent studies on these correction strategies. Among others, the analogue-dynamical method has been developed in China, which combines statistical methods with the dynamical model, corrects model errors based on analogue information, and effectively utilizes historical data in dynamical forecasts. In this study, the fundamental principles and technical solutions of the analogue-dynamical method and associated development history for forecasts on different timescales are introduced. It is shown that this method can effectively improve medium- and extended-range forecasts, monthly-average circulation forecast, and short-term climate prediction. As an innovative technique independently developed in China, the analogue- dynamical method plays an important role in both weather forecast and climate prediction, and has potential applications in wider fields.     

Operational climate prediction in the era of big data in China: Reviews and prospects

Big data has emerged as the next technological revolution in IT industry after cloud computing and the Internet of Things. With the development of climate observing systems, particularly satellite meteorological observation and high-resolution climate models, and the rapid growth in the volume of climate data, climate prediction is now entering the era of big data. The application of big data will provide new ideas and methods for the continuous development of climate prediction. The rapid integration, cloud storage, cloud computing, and full-sample analysis of massive climate data makes it possible to understand climate states and their evolution more objectively, thus predicting the future climate more accurately. This paper describes the application status of big data in operational climate prediction in China; it analyzes the key big data technologies, discusses the future development of climate prediction operations from the perspective of big data, speculates on the prospects for applying climatic big data in cloud computing and data assimilation, and puts forward the notion of big data-based super-ensemble climate prediction methods and computerbased deep learning climate prediction methods.     

Operational Climate Prediction in the Era of Big Data in China:Reviews and Prospects

Big data has emerged as the next technological revolution in IT industry after cloud computing and the Internet of Things.With the development of climate observing systems,particularly satellite meteorological observation and high-resolution climate models,and the rapid growth in the volume of climate data,climate prediction is now entering the era of big data.The application of big data will provide new ideas and methods for the continuous development of climate prediction.The rapid integration,cloud storage,cloud computing,and full-sample analysis of massive climate data makes it possible to understand climate states and their evolution more objectively,thus predicting the future climate more accurately.This paper describes the application status of big data in operational climate prediction in China;it analyzes the key big data technologies,discusses the future development of climate prediction operations from the perspective of big data,speculates on the prospects for applying climatic big data in cloud computing and data assimilation,and puts forward the notion of big data-based super-ensemble climate prediction methods and computerbased deep learning climate prediction methods.     

深度学习方法在干旱预测中的应用

使用标准化降水蒸散指数作为农业干旱的监测指标, 以站点气象要素和大尺度环流要素为驱动变量, 建立干旱预测模型, 分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果。结果表明: DNN模型的总体预测能力优于ARIMA模型; 同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比, 改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射, 能够自动剔除无效信息, 提取高层次综合特征, 可使预测序列和观测序列的相关系数提升0.04~0.25, 均方根误差降低0.07~0.32, 误差绝对值的平均降低0.06~0.27;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息, 其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03~0.44, 均方根误差降低0.09~0.33, 误差绝对值的平均降低0.05~0.26。CLSTM模型可应用于短期区域性干旱变化气候预测。     

中国夏季降水的组合统计降尺度模型预测研究

现阶段的动力气候模式尚不能满足东亚区域气候预测的实际需求,这就需要动力和统计相结合的方法,将动力模式中具有较高预测技巧的大尺度环流信息应用到降水等气象要素的统计预测模型当中,以改善后者预测效果。本文中所介绍的组合统计降尺度模型,可将动力气候模式预测的大尺度环流变量和前期观测的外强迫信号作为预测因子来预测中国夏季降水异常。交叉检验结果显示,组合统计降尺度预测模型的距平相关系数较原始模式结果有较大提高。在实时夏季降水预测中,2013～2018年平均的预测技巧相对较高,趋势异常综合检验（PS）评分平均为71.5分,特别是2015～2018年平均的PS评分预测技巧达到72.7分,总体上高于业务模式原始预测和业务发布预测的技巧。该组合统计降尺度模型预测性能稳定,为我国季节预测业务提供了一种有效参考。