近日，一(yī)則人(rén)工智能(néng)或能(néng)提前一(yī)周預測台風的消息引發關注。報道稱，日本海洋研究機構和九州大學的研究小組利用人(rén)工智能(néng)深度學習技術，開發了(le)從全球雲系統分(fēn)辨率模型（NICAM）氣候實驗數據中高精度識别熱帶低(dī)氣壓征兆雲的方法。該方法可識别出夏季西(xī)北太平洋熱帶低(dī)氣壓發生(shēng)一(yī)周前的征兆。

　　不看不知道，原來人(rén)工智能(néng)在天氣預報方面已經開始發威。它會比人(rén)類預報得更準嗎？

　　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(dī)氣壓跟蹤算(suàn)法，将全球雲系統分(fēn)辨率模型20年積累的氣候實驗數據，制成5萬張熱帶低(dī)氣壓初始雲及演變中的熱帶低(dī)氣壓雲圖片，再加上(shàng)100萬張未演變成熱帶低(dī)氣壓的低(dī)氣壓雲圖片，共105萬張圖片組成10組學習數據，利用深度卷積神經網絡的機器(qì)學習，生(shēng)成不同特征的10種識别器(qì)，然後構築出可對10種識别器(qì)結果進行綜合評價的集合識别器(qì)。

　　對此，中央氣象台台風與海洋氣象預報中心副主任錢奇峰表示，相關報道隻介紹了(le)做法，并沒有體現出具體的預報成果，“台風發展有一(yī)些(xiē)階段，發展時間比較長，在大洋上(shàng)形成胚胎，短則2至3天、長的要5天甚至7天發展成台風。要提前7天識别出熱帶低(dī)氣壓發生(shēng)前的征兆，相信是可以做到的。”

　　據錢奇峰介紹，将神經網絡的方法用在天氣預報上(shàng)并不新(xīn)鮮，上(shàng)世紀八十年代已經有一(yī)些(xiē)應用，随着大數據和人(rén)工智能(néng)的發展，海量數據深度學習、複雜神經網絡等逐步應用，人(rén)工智能(néng)預報天氣已經成爲很熱門的一(yī)個話題。不光用在臨近天氣的預報，氣候應用研究、台風海洋預報、海霧的預報等領域，都有人(rén)工智能(néng)技術的加持。

　　中央氣象台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(le)分(fēn)類整理(lǐ)，主要包括雷達質量控制、衛星數據反演及同化(huà)等氣象數據處理(lǐ)；短時臨近預報、概率預報、台風海洋天氣預報、極端或災害性天氣預警、環境預報等天氣業務；風暴環境特征分(fēn)類、天氣系統識别等天氣氣候分(fēn)析；通信、生(shēng)态環境、水資源和能(néng)源等領域的商(shāng)業或行業應用。如(rú)何将人(rén)工智能(néng)技術應用到天氣氣候研究和應用領域，已成爲熱點方向。

　　彌補傳統數值模式的不足

　　代刊說，傳統天氣預報不斷發展更加複雜的動力數值模式，以求更準确和提前預報天氣，人(rén)工智能(néng)預報天氣則是以大數據驅動爲主的預報技術，“實際上(shàng)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分(fēn)辨率、更準确的預報結果，但(dàn)由于其自身(shēn)的缺陷以及天氣預報的不确定性，仍然不能(néng)滿足各種用戶的不同需求，數據驅動方法爲彌補這一(yī)差距提供了(le)非常有用的工具。”代刊表示。

　　在我國，近年來随着天氣業務現代化(huà)建設的推進，AI技術也(yě)得到逐步應用。據代刊介紹，在國家氣象中心，研究人(rén)員已經将數據挖掘技術應用于海量集合預報數據的預報信息提取，如(rú)發展的最優百分(fēn)位技術和台風路(lù)徑最優選取集成方法，對提高預報準确率起到顯著效果。

　　“我們正在探索将人(rén)工智能(néng)技術應用于網格預報業務，通過與清華大學合作(zuò)，采用分(fēn)布式深度學習框架、時空記憶深度循環網絡算(suàn)法，雷達外推預報準确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(le)全國強對流服務産品加工系統。該系統運用圖像識别和深度學習等新(xīn)技術，能(néng)夠快(kuài)速和智能(néng)化(huà)地監測預警強對流天氣，可以判斷出未來30分(fēn)鍾内強對流天氣發生(shēng)和影響的區域，預測産品的區域空間分(fēn)辨率爲1公裏，每6分(fēn)鍾滾動更新(xīn)。

　　除了(le)國家氣象台，各省級氣象台也(yě)都已開展相關研究，“人(rén)工智能(néng)這麽火(huǒ)，我們肯定希望早把它用在我們的專業上(shàng)，不用新(xīn)技術就(jiù)落伍了(le)。”錢奇峰笑(xiào)說。目前，廣東省氣象局利用阿裏平台開展的基于深度學習的短臨降水預報效果良好(hǎo)(hǎo)；北京市(shì)氣象局也(yě)将機器(qì)學習方法應用于溫度預報；福建省氣象局基于機器(qì)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(le)一(yī)系列成績，但(dàn)與發達國家相比，國内關于AI作(zuò)用于天氣預報的研究和應用還存在一(yī)定差距，包括：AI技術應用集中在短時臨近預報上(shàng)，而對于天氣預報業務的全鏈條，如(rú)數據質量控制、多災種天氣預警能(néng)力、産品制作(zuò)以及決策服務等的支撐還遠不足；AI技術以應用開發爲主，相關理(lǐ)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，爲進一(yī)步推進AI技術在業務流程的關鍵環節發揮重要作(zuò)用，未來應加強新(xīn)的、更高級的AI技術理(lǐ)論研究和應用開發，“目前大部分(fēn)AI技術方法研發還是以大氣科學專業背景人(rén)員爲主，需要統計學、計算(suàn)科學、大數據挖掘等專業背景的科學家加入，并積極與相關高校(xiào)、科研院所合作(zuò)。”

　　更重要的是數據， AI技術的産品輸出質量受到輸入數據質量的限制，要想取得更好(hǎo)(hǎo)效果，需要加強高質量、長序列的氣象訓練數據集的研發，例如(rú)提供長曆史、統計特性一(yī)緻的模式數據，整理(lǐ)和開發高分(fēn)辨的觀測和分(fēn)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，研究小組爲了(le)利用深度學習獲得更高的識别精度，對每一(yī)種氣象類型都需要超過數千張圖片的大量數據。“我們也(yě)在做長序列氣象數據的再分(fēn)析。”代刊表示。

　　另外他強調，目前大部分(fēn)AI技術類似“黑箱”，在通常情況下(xià)運行良好(hǎo)(hǎo)，但(dàn)遇到極端情況可能(néng)會失效。因此，據代刊介紹，英國氣象局一(yī)直在利用數據驅動，将統計技術與物理(lǐ)模式和深刻理(lǐ)解結合起來，并積累了(le)大量經驗，例如(rú)将高分(fēn)辨率觀測網、複雜數值模式和再分(fēn)析數據利用統計技術結合起來爲風能(néng)行業發展了(le)業務預報工具，能(néng)夠提供更高精度的風力預報，并适用于複雜地形條件。

　　“爲了(le)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(qì)學習理(lǐ)論和方法。”代刊表示。此外，也(yě)需要積極推動研究成果到業務應用的轉換，包括建立開放(fàng)性、衆創的後處理(lǐ)支持基礎架構，建立跨部門的團隊來建設和維護通用AI算(suàn)法軟件、訓練及測試數據、檢驗評估等，提供資源用于培訓相關人(rén)員的研發水平。

　　代刊表示，有好(hǎo)(hǎo)的預報不等于能(néng)做出好(hǎo)(hǎo)的決策，傳統數值預報結果越來越精确，但(dàn)降水量、台風強度和路(lù)徑等預報結果并不一(yī)定導向好(hǎo)(hǎo)的應對決策。在這方面，人(rén)工智能(néng)技術大有可爲，雖然AI還不能(néng)很好(hǎo)(hǎo)地模拟傳統的物理(lǐ)過程，但(dàn)通過綜合如(rú)交通、能(néng)源、農業等各領域的數據和研究，它能(néng)幫助人(rén)類在應對天氣影響時拿出更優良的決策方案。

　　“人(rén)工智能(néng)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，整合基于物理(lǐ)模式的數值預報和數據驅動的方法，将會給天氣預報帶來新(xīn)的機會，例如(rú)将機器(qì)學習應用于交通堵塞、航空延誤、花粉過敏等難以用物理(lǐ)模型處理(lǐ)的預報，能(néng)夠提供更有價值的信息。”