近日，一則人工智慧或能提前一周預測颱風的消息引發關注。報導稱，日本海洋研究機構和九州大學的研究小組利用人工智慧深度學習技術，開發了從全球雲系統解析度模型(NICAM)氣候實驗資料中高精度識別熱帶低氣壓徵兆雲的方法。該方法可識別出夏季西北太平洋熱帶低氣壓發生一周前的徵兆。
不看不知道，原來人工智慧在天氣預報方面已經開始發威。它會比人類預報得更准嗎？記者為此採訪了中央氣象臺專家，試圖理解氣象預報的AI助手究竟表現如何。
AI已成天氣預報研究熱門
根據相關報導，研究小組具體的做法是首先利用熱帶低氣壓跟蹤演算法，將全球雲系統解析度模型20年積累的氣候實驗資料，製成5萬張熱帶低氣壓初始雲及演變中的熱帶低氣壓雲圖片，再加上100萬張未演變成熱帶低氣壓的低氣壓雲圖片，共105萬張圖片組成10組學習資料，利用深度卷積神經網路的機器學習，生成不同特徵的10種識別器，然後構築出可對10種識別器結果進行綜合評價的集合識別器。
對此，中央氣象臺颱風與海洋氣象預報中心副主任錢奇峰表示，相關報導只介紹了做法，並沒有體現出具體的預報成果，“颱風發展有一些階段，發展時間比較長，在大洋上形成胚胎，短則2至3天、長的要5天甚至7天發展成颱風。要提前7天識別出熱帶低氣壓發生前的徵兆，相信是可以做到的。”
據錢奇峰介紹，將神經網路的方法用在天氣預報上並不新鮮，上世紀八十年代已經有一些應用，隨著大資料和人工智慧的發展，海量資料深度學習、複雜神經網路等逐步應用，人工智慧預報天氣已經成為很熱門的一個話題。不光用在臨近天氣的預報，氣候應用研究、颱風海洋預報、海霧的預報等領域，都有人工智慧技術的加持。
中央氣象臺天氣預報技術研發室副主任代刊介紹，學界對AI在天氣氣候中的應用研究進展進行了分類整理，主要包括雷達品質控制、衛星資料反演及同化等氣象資料處理；短時臨近預報、概率預報、颱風海洋天氣預報、極端或災害性天氣預警、環境預報等天氣業務；風暴環境特徵分類、天氣系統識別等天氣氣候分析；通信、生態環境、水資源和能源等領域的商業或行業應用。如何將人工智慧技術應用到天氣氣候研究和應用領域，已成為熱點方向。
彌補傳統數值模式的不足
代刊告訴記者，傳統天氣預報不斷發展更加複雜的動力數值模式，以求更準確和提前預報天氣，人工智慧預報天氣則是以大資料驅動為主的預報技術，“實際上這兩種方式是解決不同的問題，即不斷發展的數值模式系統提供更高解析度、更準確的預報結果，但由於其自身的缺陷以及天氣預報的不確定性，仍然不能滿足各種使用者的不同需求，資料驅動方法為彌補這一差距提供了非常有用的工具。”代刊表示。
在我國，近年來隨著天氣業務現代化建設的推進，AI技術也得到逐步應用。據代刊介紹，在國家氣象中心，研究人員已經將資料採擷技術應用于海量集合預報資料的預報資訊提取，如發展的最優百分位元技術和颱風路徑最優選取集成方法，對提高預報準確率起到顯著效果。
“我們正在探索將人工智慧技術應用於網格預報業務，通過與清華大學合作，採用分散式深度學習框架、時空記憶深度迴圈網路演算法，雷達外推預報準確率較之以往平均提升40%。”代刊說。
在公共氣象服務中心，研究者聯合天津大學共同研發了全國強對流服務產品加工系統。該系統運用圖像識別和深度學習等新技術，能夠快速和智慧化地監測預警強對流天氣，可以判斷出未來30分鐘內強對流天氣發生和影響的區域，預測產品的區域空間解析度為1公里，每6分鐘滾動更新。
除了國家氣象臺，各省級氣象臺也都已開展相關研究，“人工智慧這麼火，我們肯定希望早把它用在我們的專業上，不用新技術就落伍了。”錢奇峰笑說。目前，廣東省氣象局利用阿裡平臺開展的基於深度學習的短臨降水預報效果良好；北京市氣象局也將機器學習方法應用於溫度預報；福建省氣象局基於機器學習的降水要素的客觀訂正方法已在多個省氣象局得到業務推廣應用。
結合優勢向縱深發展
雖然取得了一系列成績，但與發達國家相比，國內關於AI作用於天氣預報的研究和應用還存在一定差距，包括：AI技術應用集中在短時臨近預報上，而對於天氣預報業務的全鏈條，如資料品質控制、多災種天氣預警能力、產品製作以及決策服務等的支撐還遠不足；AI技術以應用開發為主，相關理論研究以及面向業務需求有針對性的研發還不夠深入。
對此，代刊建議，為進一步推進AI技術在業務流程的關鍵環節發揮重要作用，未來應加強新的、更高級的AI技術理論研究和應用開發，“目前大部分AI技術方法研發還是以大氣科學專業背景人員為主，需要統計學、計算科學、大資料採擷等專業背景的科學家加入，並積極與相關高校、科研院所合作。”
更重要的是資料， AI技術的產品輸出品質受到輸入資料品質的限制，要想取得更好效果，需要加強高品質、長序列的氣象訓練資料集的研發，例如提供長歷史、統計特性一致的模式資料，整理和開發高分辨的觀測和分析資料用於訓練和檢驗。在前述日本海洋研究機構和九州大學的研究中，研究小組為了利用深度學習獲得更高的識別精度，對每一種氣象類型都需要超過數千張圖片的大量資料。“我們也在做長序列氣象資料的再分析。”代刊表示。
另外他強調，目前大部分AI技術類似“黑箱”，在通常情況下運行良好，但遇到極端情況可能會失效。因此，據代刊介紹，英國氣象局一直在利用資料驅動，將統計技術與物理模式和深刻理解結合起來，並積累了大量經驗，例如將高解析度觀測網、複雜數值模式和再分析資料利用統計技術結合起來為風能行業發展了業務預報工具，能夠提供更高精度的風力預報，並適用於複雜地形條件。
“為了克服來自黑箱應用的挑戰，還需要發展針對環境科學的機器學習理論和方法。”代刊表示。此外，也需要積極推動研究成果到業務應用的轉換，包括建立開放性、眾創的後處理支持基礎架構，建立跨部門的團隊來建設和維護通用AI演算法軟體、訓練及測試資料、檢驗評估等，提供資源用於培訓相關人員的研發水平。
代刊表示，有好的預報不等於能做出好的決策，傳統數值預報結果越來越精確，但降水量、颱風強度和路徑等預報結果並不一定導向好的應對決策。在這方面，人工智慧技術大有可為，雖然AI還不能很好地類比傳統的物理過程，但通過綜合如交通、能源、農業等各領域的資料和研究，它能幫助人類在應對天氣影響時拿出更優良的決策方案。
“人工智慧在氣象行業中的應用剛起步，應用場景未來還有很多。“錢奇峰表示，“在未來10年當中，整合基於物理模式的數值預報和資料驅動的方法，將會給天氣預報帶來新的機會，例如將機器學習應用於交通堵塞、航空延誤、花粉過敏等難以用物理模型處理的預報，能夠提供更有價值的資訊。”
不看不知道，原來人工智慧在天氣預報方面已經開始發威。它會比人類預報得更准嗎？記者為此採訪了中央氣象臺專家，試圖理解氣象預報的AI助手究竟表現如何。
AI已成天氣預報研究熱門
根據相關報導，研究小組具體的做法是首先利用熱帶低氣壓跟蹤演算法，將全球雲系統解析度模型20年積累的氣候實驗資料，製成5萬張熱帶低氣壓初始雲及演變中的熱帶低氣壓雲圖片，再加上100萬張未演變成熱帶低氣壓的低氣壓雲圖片，共105萬張圖片組成10組學習資料，利用深度卷積神經網路的機器學習，生成不同特徵的10種識別器，然後構築出可對10種識別器結果進行綜合評價的集合識別器。
對此，中央氣象臺颱風與海洋氣象預報中心副主任錢奇峰表示，相關報導只介紹了做法，並沒有體現出具體的預報成果，“颱風發展有一些階段，發展時間比較長，在大洋上形成胚胎，短則2至3天、長的要5天甚至7天發展成颱風。要提前7天識別出熱帶低氣壓發生前的徵兆，相信是可以做到的。”
據錢奇峰介紹，將神經網路的方法用在天氣預報上並不新鮮，上世紀八十年代已經有一些應用，隨著大資料和人工智慧的發展，海量資料深度學習、複雜神經網路等逐步應用，人工智慧預報天氣已經成為很熱門的一個話題。不光用在臨近天氣的預報，氣候應用研究、颱風海洋預報、海霧的預報等領域，都有人工智慧技術的加持。
中央氣象臺天氣預報技術研發室副主任代刊介紹，學界對AI在天氣氣候中的應用研究進展進行了分類整理，主要包括雷達品質控制、衛星資料反演及同化等氣象資料處理；短時臨近預報、概率預報、颱風海洋天氣預報、極端或災害性天氣預警、環境預報等天氣業務；風暴環境特徵分類、天氣系統識別等天氣氣候分析；通信、生態環境、水資源和能源等領域的商業或行業應用。如何將人工智慧技術應用到天氣氣候研究和應用領域，已成為熱點方向。
彌補傳統數值模式的不足
代刊告訴記者，傳統天氣預報不斷發展更加複雜的動力數值模式，以求更準確和提前預報天氣，人工智慧預報天氣則是以大資料驅動為主的預報技術，“實際上這兩種方式是解決不同的問題，即不斷發展的數值模式系統提供更高解析度、更準確的預報結果，但由於其自身的缺陷以及天氣預報的不確定性，仍然不能滿足各種使用者的不同需求，資料驅動方法為彌補這一差距提供了非常有用的工具。”代刊表示。
在我國，近年來隨著天氣業務現代化建設的推進，AI技術也得到逐步應用。據代刊介紹，在國家氣象中心，研究人員已經將資料採擷技術應用于海量集合預報資料的預報資訊提取，如發展的最優百分位元技術和颱風路徑最優選取集成方法，對提高預報準確率起到顯著效果。
“我們正在探索將人工智慧技術應用於網格預報業務，通過與清華大學合作，採用分散式深度學習框架、時空記憶深度迴圈網路演算法，雷達外推預報準確率較之以往平均提升40%。”代刊說。
在公共氣象服務中心，研究者聯合天津大學共同研發了全國強對流服務產品加工系統。該系統運用圖像識別和深度學習等新技術，能夠快速和智慧化地監測預警強對流天氣，可以判斷出未來30分鐘內強對流天氣發生和影響的區域，預測產品的區域空間解析度為1公里，每6分鐘滾動更新。
除了國家氣象臺，各省級氣象臺也都已開展相關研究，“人工智慧這麼火，我們肯定希望早把它用在我們的專業上，不用新技術就落伍了。”錢奇峰笑說。目前，廣東省氣象局利用阿裡平臺開展的基於深度學習的短臨降水預報效果良好；北京市氣象局也將機器學習方法應用於溫度預報；福建省氣象局基於機器學習的降水要素的客觀訂正方法已在多個省氣象局得到業務推廣應用。
結合優勢向縱深發展
雖然取得了一系列成績，但與發達國家相比，國內關於AI作用於天氣預報的研究和應用還存在一定差距，包括：AI技術應用集中在短時臨近預報上，而對於天氣預報業務的全鏈條，如資料品質控制、多災種天氣預警能力、產品製作以及決策服務等的支撐還遠不足；AI技術以應用開發為主，相關理論研究以及面向業務需求有針對性的研發還不夠深入。
對此，代刊建議，為進一步推進AI技術在業務流程的關鍵環節發揮重要作用，未來應加強新的、更高級的AI技術理論研究和應用開發，“目前大部分AI技術方法研發還是以大氣科學專業背景人員為主，需要統計學、計算科學、大資料採擷等專業背景的科學家加入，並積極與相關高校、科研院所合作。”
更重要的是資料， AI技術的產品輸出品質受到輸入資料品質的限制，要想取得更好效果，需要加強高品質、長序列的氣象訓練資料集的研發，例如提供長歷史、統計特性一致的模式資料，整理和開發高分辨的觀測和分析資料用於訓練和檢驗。在前述日本海洋研究機構和九州大學的研究中，研究小組為了利用深度學習獲得更高的識別精度，對每一種氣象類型都需要超過數千張圖片的大量資料。“我們也在做長序列氣象資料的再分析。”代刊表示。
另外他強調，目前大部分AI技術類似“黑箱”，在通常情況下運行良好，但遇到極端情況可能會失效。因此，據代刊介紹，英國氣象局一直在利用資料驅動，將統計技術與物理模式和深刻理解結合起來，並積累了大量經驗，例如將高解析度觀測網、複雜數值模式和再分析資料利用統計技術結合起來為風能行業發展了業務預報工具，能夠提供更高精度的風力預報，並適用於複雜地形條件。
“為了克服來自黑箱應用的挑戰，還需要發展針對環境科學的機器學習理論和方法。”代刊表示。此外，也需要積極推動研究成果到業務應用的轉換，包括建立開放性、眾創的後處理支持基礎架構，建立跨部門的團隊來建設和維護通用AI演算法軟體、訓練及測試資料、檢驗評估等，提供資源用於培訓相關人員的研發水平。
代刊表示，有好的預報不等於能做出好的決策，傳統數值預報結果越來越精確，但降水量、颱風強度和路徑等預報結果並不一定導向好的應對決策。在這方面，人工智慧技術大有可為，雖然AI還不能很好地類比傳統的物理過程，但通過綜合如交通、能源、農業等各領域的資料和研究，它能幫助人類在應對天氣影響時拿出更優良的決策方案。
“人工智慧在氣象行業中的應用剛起步，應用場景未來還有很多。“錢奇峰表示，“在未來10年當中，整合基於物理模式的數值預報和資料驅動的方法，將會給天氣預報帶來新的機會，例如將機器學習應用於交通堵塞、航空延誤、花粉過敏等難以用物理模型處理的預報，能夠提供更有價值的資訊。”
最新評論