近日，一則人工智能或能提前一周預測臺風的消息引發(fā)關注。報道稱，日本海洋研究機構和九州大學的研究小組利用人工智能深度學習技術，開發(fā)了從全球云系統(tǒng)分辨率模型(NICAM)氣候實驗數(shù)據中高精度識別熱帶低氣壓征兆云的方法。該方法可識別出夏季西北太平洋熱帶低氣壓發(fā)生一周前的征兆。

不看不知道，原來人工智能在天氣預報方面已經開始發(fā)威。它會比人類預報得更準嗎?記者為此采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(xiàn)如何。

AI已成天氣預報研究熱門

根據相關報道，研究小組具體的做法是首先利用熱帶低氣壓跟蹤算法，將全球云系統(tǒng)分辨率模型20年積累的氣候實驗數(shù)據，制成5萬張熱帶低氣壓初始云及演變中的熱帶低氣壓云圖片，再加上100萬張未演變成熱帶低氣壓的低氣壓云圖片，共105萬張圖片組成10組學習數(shù)據，利用深度卷積神經網絡的機器學習，生成不同特征的10種識別器，然后構筑出可對10種識別器結果進行綜合評價的集合識別器。

對此，中央氣象臺臺風與海洋氣象預報中心副主任錢奇峰表示，相關報道只介紹了做法，并沒有體現(xiàn)出具體的預報成果，“臺風發(fā)展有一些階段，發(fā)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(fā)展成臺風。要提前7天識別出熱帶低氣壓發(fā)生前的征兆，相信是可以做到的。”

據錢奇峰介紹，將神經網絡的方法用在天氣預報上并不新鮮，上世紀八十年代已經有一些應用，隨著大數(shù)據和人工智能的發(fā)展，海量數(shù)據深度學習、復雜神經網絡等逐步應用，人工智能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、臺風海洋預報、海霧的預報等領域，都有人工智能技術的加持。

中央氣象臺天氣預報技術研發(fā)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，主要包括雷達質量控制、衛(wèi)星數(shù)據反演及同化等氣象數(shù)據處理;短時臨近預報、概率預報、臺風海洋天氣預報、極端或災害性天氣預警、環(huán)境預報等天氣業(yè)務;風暴環(huán)境特征分類、天氣系統(tǒng)識別等天氣氣候分析;通信、生態(tài)環(huán)境、水資源和能源等領域的商業(yè)或行業(yè)應用。如何將人工智能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(tǒng)數(shù)值模式的不足

代刊告訴記者，傳統(tǒng)天氣預報不斷發(fā)展更加復雜的動力數(shù)值模式，以求更準確和提前預報天氣，人工智能預報天氣則是以大數(shù)據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(fā)展的數(shù)值模式系統(tǒng)提供更高分辨率、更準確的預報結果，但由于其自身的缺陷以及天氣預報的不確定性，仍然不能滿足各種用戶的不同需求，數(shù)據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(yè)務現(xiàn)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，研究人員已經將數(shù)據挖掘技術應用于海量集合預報數(shù)據的預報信息提取，如發(fā)展的最優(yōu)百分位技術和臺風路徑最優(yōu)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能技術應用于網格預報業(yè)務，通過與清華大學合作，采用分布式深度學習框架、時空記憶深度循環(huán)網絡算法，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(lián)合天津大學共同研發(fā)了全國強對流服務產品加工系統(tǒng)。該系統(tǒng)運用圖像識別和深度學習等新技術，能夠快速和智能化地監(jiān)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(fā)生和影響的區(qū)域，預測產品的區(qū)域空間分辨率為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，“人工智能這么火，我們肯定希望早把它用在我們的專業(yè)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里平臺開展的基于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于溫度預報;福建省氣象局基于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(yè)務推廣應用。

結合優(yōu)勢向縱深發(fā)展

雖然取得了一系列成績，但與發(fā)達國家相比，國內關于AI作用于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，而對于天氣預報業(yè)務的全鏈條，如數(shù)據質量控制、多災種天氣預警能力、產品制作以及決策服務等的支撐還遠不足;AI技術以應用開發(fā)為主，相關理論研究以及面向業(yè)務需求有針對性的研發(fā)還不夠深入。

對此，代刊建議，為進一步推進AI技術在業(yè)務流程的關鍵環(huán)節(jié)發(fā)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(fā)，“目前大部分AI技術方法研發(fā)還是以大氣科學專業(yè)背景人員為主，需要統(tǒng)計學、計算科學、大數(shù)據挖掘等專業(yè)背景的科學家加入，并積極與相關高校、科研院所合作。”

更重要的是數(shù)據， AI技術的產品輸出質量受到輸入數(shù)據質量的限制，要想取得更好效果，需要加強高質量、長序列的氣象訓練數(shù)據集的研發(fā)，例如提供長歷史、統(tǒng)計特性一致的模式數(shù)據，整理和開發(fā)高分辨的觀測和分析資料用于訓練和檢驗。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(shù)千張圖片的大量數(shù)據。“我們也在做長序列氣象數(shù)據的再分析。”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數(shù)據驅動，將統(tǒng)計技術與物理模式和深刻理解結合起來，并積累了大量經驗，例如將高分辨率觀測網、復雜數(shù)值模式和再分析數(shù)據利用統(tǒng)計技術結合起來為風能行業(yè)發(fā)展了業(yè)務預報工具，能夠提供更高精度的風力預報，并適用于復雜地形條件。

“為了克服來自黑箱應用的挑戰(zhàn)，還需要發(fā)展針對環(huán)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(yè)務應用的轉換，包括建立開放性、眾創(chuàng)的后處理支持基礎架構，建立跨部門的團隊來建設和維護通用AI算法軟件、訓練及測試數(shù)據、檢驗評估等，提供資源用于培訓相關人員的研發(fā)水平。

代刊表示，有好的預報不等于能做出好的決策，傳統(tǒng)數(shù)值預報結果越來越精確，但降水量、臺風強度和路徑等預報結果并不一定導向好的應對決策。在這方面，人工智能技術大有可為，雖然AI還不能很好地模擬傳統(tǒng)的物理過程，但通過綜合如交通、能源、農業(yè)等各領域的數(shù)據和研究，它能幫助人類在應對天氣影響時拿出更優(yōu)良的決策方案。

“人工智能在氣象行業(yè)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，整合基于物理模式的數(shù)值預報和數(shù)據驅動的方法，將會給天氣預報帶來新的機會，例如將機器學習應用于交通堵塞、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信息。”