AI在气象中的应用进展

1 AI在气象数据处理方面的应用

AI在气象数据处理方面的一直得到应用。来自NOAA/NESDIS的Boukabara介绍了AI在数值模式、态势感知方面的应用，他首先指出目前地球观测资料原来越多，特别是卫星遥感资料。然而目前的数值模式系统还不能很好地同化这些资料。他提出一个实验项目，采用认知学习的方法，来复制遥感的运行结果以及数据同化技术来融合不同来源的数据，其结果为5D参数空间用于描述环境的状态。该方法使用NASA's GEOS-5 Nature Run和相应的基于CRTM和其它前向算子的模拟观测作为深度神经网络的输入。目前的研究证明这个概念的可行性，并显示出AI能够节约大量的计算资源的能力。对比同化变分算法，AI算法具有更高的计算效率。此外，来自NOAA/ESRL/GSD的Yu-Ju Lee介绍了利用了深度学习来选取目标观测数据区域，从而进一步改进卫星观测在模式初始化方面的应用能力。同样来自NOAA/ESRL/GSD的Christina Bonfanti进一步展示了机器学习在加强模式气旋初始化方面的卫星应用研究。

2 在天气预报业务中应用

    AI技术一直在天气预报业务中得到广泛应用，此次会议的报告也涵盖短时临近预报、环境气象预报、要素概率预报、台风海洋、极端灾害和农业气象等诸多方面。

   短时临近预报一直是AI的应用热点，来自俄克拉荷马大学的Skinner介绍了基于NEWS-E云分辨率集合分析和预报系统，利用随机决策树来评估中气旋强度的环境影响因素：基于2016/17的29个个例，识别出250万个风暴目标和70万个路径目标；基于这些识别数据，提取出各个目标的入流环境因素，然后应用随机森林来评估上游环境对模拟目标的影响，找出最重要的影响因素。俄克拉荷马大学的Harrison介绍了利用随机森林分类技术来预报12h时效的对流风暴。俄克拉荷马大学的Lagerquist介绍了基于机器学习模型来制作全美1km分辨率，2h时效的雷暴大风概率预报。俄克拉荷马大学的McGovern则介绍了利用机器学习来预报风暴的实时持续时间。来自芬兰气象局的Tervo介绍了基于对象分析和四步分类方法的对流风暴邻近预报方法。科罗拉多州立大学的Herman基于对流尺度数值模式NSSL-WRF的输出结果，采用深度神经网络来预报暖区对流，能够显著提高预报技巧。来自MIT林肯实验室的Mattioli则利用卷积神经网络来进行雷达降水强度预报。北卡罗莱纳州立大学的Francisco发展了概率模型来预报高切变、低CAPE值的对流系统环境。Cray公司的Heye采用Convolutional Long Short-Term Memory神经网络来进行临近降水预报。

   概率统计后处理预报技术在近年来得到持续发展，来自蒙特利NPS的Wendt将分层多元贝叶斯方法引入到集合模式输出统计方法EMOS当中。来自挪威计算中心的Schuhen指出集合预报后处理技术例如EMOS或BMA等，通常对不同起报时间或预报时效分布订正，不能保证预报之间的一致性，为此提出要同时增强现有后处理技术的预报技巧和稳定性，并建议了一种基于决策理论的思路来降低预报的跳跃。宾夕法尼亚大学的Harding介绍了一种用于集合相似预报的搜索空间有效扩展方法，使用邻近、相似和有效选择站点或区域来增加训练样本的搜索空间；该搜索使用了一个数学方法来分解由于原始集合相似预报技术和引入新的历史样本而带来的误差；之后，研究围绕误差分解来发展分析方法，以便实现搜索空间内的相似预报；这项研究具有应用于机器学习、人工智能、模式输出统计等领域的前景。科罗拉多大学的Scheuerer则将参数模型和非参数相似方法结合起来，获得降雪量的概率预报；降雪量的预报不确定性，除了来自降水之外，还与温度和风的影响有密切关系；由于其复杂的关系，灵活的相似预报方法是一个更吸引人的途径；在报告中，Scheuerer将参数方法和相似方法的优点结合到一起，用参数方法预报降水量，用分位数相似方法来查找温度和风速相似的历史样本，这些历史样本的降雪量不确定性可用来表示未来预报的不确定性，得到降雪的概率预报。

   在台风海洋方面，俄克拉荷马大学的Richman介绍了利用机器学习来减少热带气旋的预报误差；利用Atlantic, Indian和Pacific海洋的海温异常，来预测台风季节的命名台风数量、强台风数量和热带气旋总能量；预报方法采用支持向量机；选择预报因子很重要，相对于之前的季节预报统计模型，SVR模型能够增加相关性和减少预报误差。来自NOAA的Zhang Zhan介绍了HWRF集合预报以及集成HWRF/HMON/COAMPS-TC多模式的集合预报检验结果；HWRF-EPS的结果已经于高分辨率HWRF相当，并且较前一版本有明显改进；多中心集合预报的概率预报显示出该系统的有效性和可靠性。较早将AI应用于集合预报的专家Krasnopolsky介绍了基于神经网络的NCEP海浪集合预报的非线性平均方法。来自Texas大学的Tissot介绍了利用神经网络来预报近海浪涌。

   在极端或灾害性天气方面，British Columbia大学的Hsieh继续介绍了用Occam's Rzaor的机器学习来改善极端事件的预报；这是一个比较专业的技术，因为机器学习对于训练集之外的极端事件往往预报能力较差，非线性模型的外插往往很不稳定，而利用Occam's Rzaor的线性外插可以更稳定。来自加拿大Edmonton的Burrows介绍了预报极地暴风雪的客观产品：利用低于冰冻阈值的温度、地面风、至少1厘米的雪深、雪的来源，以及雪的新旧、温度和近地面稳定度，发展3种客观预报产品，即基于专家系统、perfect-prog概率预报和利用随机森林的模式统计后处理。来自innsbruck的Kneringer介绍了用于机场低能见度实时概率预报的Ordered Hurdle Model；该模型首先评估任何条件的能见度，而第二部分用秩序逻辑回归评估低能见度的范围。

   在环境预报方面，NASA GMAO/USRA的Keller采用回归森林模型来预报空气质量；来自韩国气象局的Yun Am Seo采用深度神经网络预报来预估韩国的橡树花粉浓度。在要素预报方面，来自宾夕法尼亚大学的Kuai Fang利用深度学习和SMAP卫星数据来制作土壤湿度的预报和回报。