天气况状瞬息万变，令人难以捉摸，精准的天气预报可为人们的生产生活提供科学准确的决策指导和服务，因此，最大限度的准确预测天气一直是人们的不懈追求。数值天气预报的诞生曾经给天气预报领域带来跨越式的发展，它是以气象观测资料为初值条件，通过巨型计算机进行数值计算，再用流体力学和热力学的方程组进行求解，进而预测未来一定时段的大气运动状态。尽管现代气象预测系统已经在数值预报模型上取得不错的效果，但这种依赖人们对大气物理理解的物理模型常会受到各种各样随机因素的干扰，无法满足气候复杂多变地区的预测需求。随着智能化时代的到来，人们开始依托先进技术手段建立起各种预测天气的方式，人工智能技术的身影也在气象预测领域日渐活跃。

天气预报和人工智能有着天然的耦合关系。天气预报需要大量的、多种多样的资料，而人工智能天生就是处理大数据的工具；现有资料的时空数据密度均不够，而人工智能技术却具有根据不完全不确定信息推断的能力；人工智能不仅可以总结专家知识经验，提高平均预测水平，还可以充分利用统计与数值模式中无法利用的抽象预报知识。那么人工智能技术是如何在数值天气预报中实现的呢？首先让我们说说人工智能的概念。

1、什么是人工智能？

“人工智能（Artificial Intelligence，缩写AI）一词最早诞生于1956年Dartmouth学会上，它是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学，研究领域涉及到机器人、语言识别、图像识别、自然语言处理和专家系统等。说到人工智能，很容易就联想到机器学习（Machine Learning）、数据挖掘(Data Mining)、模式识别(Pattern Recognition)、神经计算(Neuro Computing)、统计（Statistics）、数据库（Databases）、知识发现（KDD）等概念，那么它们之间又是怎样的关系呢？为了更好的理解人工智能与它们之间的关系，图1中给出了人工智能相关概念的交叉关系图。其中，机器学习是人工智能的一个重要子领域，而人工智能又与更广泛的数据挖掘、知识发现、神经计算、模式识别领域相交叉。

2、机器学习的基本过程和算法

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。其基本过程可以用下图2简单表示，包括数据的搜集、特征的提取、算法的选择、模型的训练、模型的评估、参数的微调、预测等几个重要的步骤。

机器学习的经典算法包括（图3）：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning, UL）、半监督学习（Semi-Supervised Learning）、强化学习(Reinforcement Learning, RL)、线性回归、分类和回归树（CART）、逻辑回归、朴素贝叶斯（Naïve Bayesian）、k最近邻（kNN）、AdaBoost、K-均值算法（K-Means）、支持向量机（SVM）、人工神经网络ANN(Artificial Neural Network)。

3、人工智能在数值预报领域的应用

人工智能技术自80年代初期引入我国气象部门，大致经历了两个阶段。第一阶段是1983-1987年，主要特点是初级专家系统的普及应用。这个期间，有90%以上的省级气象台、近50%的地、市级气象台进行了气象专家系统的开发应用，内容涉及暴雨、大风、冰雹、霜冻等多种气象灾害的判别和预报。第二阶段是1987年开始的气象智能预报系统的开发，主要特点是将模式识别技术、传统人工智能与人工神经元网络结合在一起。这个阶段气象部门就专家神经网络系统（EANN）在预报业务中的实际应用进行了试验，专家们运用人工神经网络（ANN）的自适应性及容错等功能和特性，弥补了专家系统在这方面的不足，彼此取长补短，较为有效地提高了灾害性天气预报的成功率。

在气象预报方法上，人工智能技术可以成为数值预报的有力补充。人工智能技术作为数值预报的有力支撑，一是基于雷达、卫星图像的深度学习在短临预报中准确地预报出强对流信息和灾害性天气，二是通过深度学习算法对具有不确定性的混沌系统发展趋势进行预测（这方面马里兰大学、麻省理工学院已取得初步研究进展），三是对地球系统模式的数据同化和参数化进行最优拟合，四是对数值预报模式的海量预报结果进行最优集合和订正。据欧洲中期天气预报中心（ECMWF）最新一期的Newsletter报道（如图4），目前人工智能技术已覆盖数值天气预报业务的全流程，渗入到预报中的各个环节。

4、基于机器学习的智能预报案例

对于大数据机器学习领域而言，近年来，随着计算机科学的发展，机器学习领域涌现出了很多新的方法，可以高效、快速地对数据进行挖掘分析，提取其中有用的信息。

其中，集成学习领域是一个重要的研究方向，使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合，从而获得比单个学习器效果更好的一种机器学习方法。对于训练数据， 将若干个个体学习器通过一定的聚合策略，就可以形成一个强学习器，以达到博采众长的目的。也即研究如何将多个精度稍低的模型得到的结果进行融合、学习，得到预测精度更高的模型。

另一个重要的研究方向是深度学习领域，其核心思想是通过一定的方法来自动化提取数据内部特征，从而消除了传统特征工程方法中对人为经验的依赖性，避免了外界信息的干扰。同时，这些方法在时间序列和空间格点类型的数据上相比于传统方法具有更强有力的特征提取能力，能够发掘更深层次的信息。将这些新的方法应用于数值预报的历史预报和对应时刻的客观分析数据中，可以充分挖掘出数值预报在一定时空间范围内误差的规律性，从而可以对预报本身进行误差订正，得到精度更高的预报结果。

北京某科技有限公司通过建立多模式融合分析的集成学习模型，对数值预报产品进行智能网格的偏差订正，实现强对流单体的智能识别和追踪。图5是他们以日本JAXA的云分类产品和云相态作为学习对象(即标准)，利用卷积神经网络挖掘JAXA云分类特征，建立训练模型，并对葵花8卫星云图进行预测，识别、追踪云和云相态的应用案例。

基于多模式融合分析的集成学习模型，还可以对卫星资料和雷达回波进行融合分析，进行偏差修正，得到更加准确的反演数据资料。图6中所框选区域从亮温图上看对流强度不大，应该明显低于福建和广东区域，但实际雷达回波较强。通过建立多模式融合分析集成学习模型，对卫星和雷达资料进行融合反演，其修正后的强度分布与实际更加吻合。

通过对数值预报产品的历史预报数据（2年左右）进行训练，建立深度学习模型；以最近 15d-20d 的多模式预报产品和对应的实况产品匹配作为训练样本，更新深度学习模型参数，融合遴选出最优学习订正模型；对预报结果进行二次订正，可以得到高精度的短临数值预报产品。图7是对案例计算结果的定量评估分析，经二次订正以后，2 小时外推雷达回波的均方根误差在 2.0-8.0dbz 之间变化，2小时预报与实况的相关系数保持在 90% 之上，命中率在 80% 以上，预报效果得到有效提升。

作者：石文静