摘要:

摘要:

摘要:以中央气象台的业务实践为例,深入剖析了气象预报业务向智能化转型进程中所面临的挑战。同时,全面回顾了近10年来人工智能技术在强对流天气、台风等灾害性天气监测预报中的应用情况,以及在气象要素(包括定量降水)、气象灾害风险预报与评估,乃至气象预报服务产品自动化制作等各业务环节中的实际应用。着重介绍了2024年发布的人工智能气象短临预报大模型“风雷”和全球中短期预报大模型“风清”。最后,对大模型等人工智能技术在气象业务中的深入应用展开了探讨。

摘要:次季节预测在农业规划、防灾减灾和水资源管理等领域具有重要意义。基于人工智能的“风顺”次季节预测模型(CMA-AIM-S2S-Fengshun),结合自主研发的CRA-40再分析数据和FY-3E卫星数据,通过级联Swin Transformer模块和智能扰动生成技术,实现了气候多要素集合预测。对2017—2021年中国区域降水的历史回算检验表明,“风顺”在逐候平均降水预测中的表现显著优于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)模式,整体技巧提升18.6％,其中华南地区提升41.2％,东部地区提升26.5％。在MJO(Madden-Julian Oscillation)预测方面,“风顺”将技巧保持时间延长至32 d(CRA-40驱动),超过ECMWF的30 d基准。个例分析显示,模型对2024年7月中旬华北强降水过程的落区和强度预测精度更高,提前3~4候捕捉到关键异常信号。

摘要:近年来高温事件频发、强发,在此背景下提高高温预测的准确性显得尤为重要。目前气象人工智能大模型发展迅速,但其对超大城市极端高温的次季节预测效果尚不清楚。本文以2024年盛夏上海极端高温事件为例,采用3个人工智能气象大模型(Pangu、FuXi和FourCastNet)的预测数据,利用相关技巧、功率谱分析等方法,对比评估了气象大模型对该年高温及其环流的预测效果。结果表明,上海盛夏高温日数与其上空副热带高压强度呈显著的正相关关系,2024年盛夏上海的持续性高温时段与其10～20 d准周期振荡的正位相基本一致,同时受到30～60 d低频振荡的调制。在3个大模型中,Pangu、FuXi在提前15 d内可提供有技巧的高温预测参考,部分大模型(Pangu)对影响高温的副热带高压演变的有效超前预测时效可达16～20 d。不同大模型的次季节预测效果差异与其对高温及其关键环流系统的低频演变的预测能力有关。大模型对影响上海的低频环流演变的预测能力越强,对副热带高压及高温的次季节预测效果就越好。相较于出梅和台风影响阶段,大模型在该年盛夏的其他时段可提供更大的次季节高温预测机会窗口。

摘要:精准的云属分类,对于区域天气形势预测和全球能量收支平衡具有重要意义。然而,准确客观地识别地基云图目前仍然存在挑战,尤其是当前可获得的标准云图数据不足,因此以数据驱动的深度学习云图分类模型性能有待进一步提高。本文探索了如何利用非气象云图数据,如ImageNet数据集,帮助改进地基云图分类技巧。以世界气象组织定义的10类标准云属和1类尾迹云为分类对象,构建了基于卷积结构的ResNet50、MobileNet-V2和基于自注意力结构的ViT云图分类模型。结果表明,仅使用原始云图训练时,参数量较小的传统卷积结构网络要优于参数量庞大的ViT模型。然而,通过使用ImageNet数据集进行预训练后,ViT模型的云图分类技巧有了显著提升,预训练策略将平均F₁评分由0.78提高至0.96,超过了当前的主流分类模型。这表明,利用深度学习模型来实现云图分类是可靠且有效的途径,而预训练策略对于类似于ViT的大型网络而言更为重要。此外进一步将训练稳定的模型部署至移动端口(http://43.142.162.19:5174/),实现了通过上传拍摄云图进行实时分类,并提供相关的云类科普信息,推动气象云知识在社会公众中的普及程度。

摘要:大气边界层高度受多种气象因素影响,正确掌握大气边界层高度连续变化和演变规律具有重要意义。为解决传统技术手段获取大气边界层高度存在的时空分辨率低、误差偏大等问题,本研究基于机器学习方法——XGBoost,利用2016年1月—2019年5月北京地区长期的地面气象观测、风廓线测风雷达和探空观测数据进行训练,确定算法模型估算大气边界层高度,预测了2019年6月—2020年5月北京地区大气边界层高度。结果表明:在晴朗的白天,模型预测效果最好,与真实观测存在较高的一致性,相关系数达到0.86;夜间预测效果较差。地表温度、相对湿度、风速是对模型预测结果影响最显著的特征。预测的边界层高度呈现显著日变化,日出之后迅速发展,午后逐渐下降,夜间逐渐达到平稳;春夏季北京地区边界层高度日变化较为显著,可达1 km;秋冬季日变化幅度较小,约为700 m。总体上,XGBoost算法预测边界层高度的能力优于多元线性回归算法和支持向量回归算法。基于机器学习的边界层高度估计和预测方法避免了传统手段设置阈值带来的误差,为边界层高度连续观测和预测提供了新思路。

摘要:利用2021年1月—2022年12月中国气象局小时内最大阵风观测数据,以及ECMWF确定性模式的24 h预报数据,针对中国近海15个浮标站点,构建了3种阵风预报模型:全连接神经网络方法、基于数值模式10 m风速的分位数匹配订正方法,以及两者相结合的方法。利用2023年1—12月数据对3种阵风预报模型进行独立对比检验。研究结果表明:在我国近海阵风预报中,单独使用全连接神经网络方法会导致强阵风的明显低估。因此,本文在全连接神经网络方法预测结果的基础上,采用分位数匹配方法进行再次订正,以进一步提升强阵风的预报效果。结合全连接神经网络与分位数匹配的阵风预报方法,能够在保持小数值阵风预报精度相对稳定的前提下有效提升强阵风的预报效果。通过与仅基于数值模式预报10 m风速进行分位数匹配的阵风预报方法对比,验证了全连接神经网络方法作为前置步骤对提升强阵风预报效果的重要性。针对我国近海多个浮标站点统一建立的全连接神经网络与分位数匹配相结合的阵风预报方法,在不同海域的强阵风预报中有较好的适用性,能够为无观测资料海域的阵风预报提供较高可信度参考。

摘要:厄尔尼诺-南方涛动(El Niño-Southern Oscillation, ENSO)是自然界气候变化中年际变化最显著的异常信号。ENSO会在全球范围内引发天气和气候异常,由此造成的自然灾害给人类生命和财产安全带来了巨大危害。随着人工智能的发展,ENSO预测方法已从传统方法拓展到了深度学习技术。因此,对ENSO预测进行了较为全面的论述:概述了ENSO相关知识;回顾了传统的预测方法;介绍了深度学习模型在ENSO预测中的应用,分析了它们的优势、局限性以及改进方向;基于当前方法面临的挑战,对未来ENSO预测的发展趋势进行了展望。

摘要:利用1981—2023年NCEP/NCAR逐日再分析资料、NOAA逐日向外长波辐射资料、湖南省97个站点逐日气温及NCEP、CMA两家次季节-季节(sub-seasonal to seasonal,S2S)预测业务模式预报产品,使用卷积神经网络(convolutional neural network,CNN)和迁移学习方法,建立了湖南次季节尺度气温预测模型,并与动力模式预报技巧进行对比评估。结果表明:CNN模型在不同起报时间(提前1～10 d)对月气温距平预测的空间相关系数相比两家动力模式具有显著优势,同时时间相关系数、符号一致率和均方根误差也得到一定的提高。可解释性分析显示,热带印度洋地区在深度学习模型中关注度最高,这些区域的预测因子可能是气温预测的重要可预报性来源。

摘要:气象卫星通常能够早于天气雷达发现积云发生发展的前兆信号。为了充分挖掘新一代静止气象卫星多通道数据在石家庄短临天气预报中的作用,本文利用葵花8/9号卫星和天气雷达开展石家庄地区对流初生判别研究,并建立了基于机器学习方法的客观对流初生判别模型。通过分析石家庄地区云图特征,建立了适用于石家庄地区的积云目标识别方法,并结合多目标跟踪算法建立了石家庄地区的对流单体数据集。在进行多目标跟踪的过程中,面对直接剔除卷云和晴空后造成的积云云体较破碎、难以跟踪等难题,本文针对性地提出以完整云团作为研究对象的方法,实现了积云生命周期样本的完整提取。基于对流单体数据集,结合天气雷达观测数据,寻找出现35 dBZ以上回波的积云单体,记录首次出现35 dBZ回波时刻,将之作为对流初生的发生时刻。通过对多通道亮温变化特征与积云发展过程的对照分析,发现积云发展成为强对流过程中,石家庄地区的10.4 μm亮温呈现下降趋势,12.4 μm和10.4 μm亮温差和三通道亮温差呈现上升趋势。据此特征分析筛选出有效的影响因子,建立了随机森林对流初生判别模型,该模型能够有效实现石家庄地区对流初生预报。该模型在对石家庄地区对流初生过程的测试中,实现了92％的有效命中率,相应的虚警率为31％。该算法能够在天气雷达图上没有任何回波的时刻,有效地找到将要发展成为强对流的积云单体,提升了石家庄地区强对流天气预警的时效性。

摘要:山区地形复杂,气温空间异质性强,气温精细化预报的精度和空间分辨率通常无法满足应用需求。因此,提出了一种机器学习和自适应卡尔曼滤波相结合的降尺度与偏差订正(DOWN+BC)方法,以提高山区气温预报的精度和空间分辨率。该方法首先利用随机森林模型将1 km空间分辨率的逐时天气研究与预报(weather research and forecasting,WRF)模型预报气温降尺度到30 m,再利用一阶自适应卡尔曼滤波模型和极端梯度提升模型(extreme gradient boosting,XGBoost)进行偏差订正。结果表明,DOWN+BC方法在预报气温降尺度与偏差订正方面效果良好;随机森林降尺度结果能够更为准确地表达近地表气温空间分布的详细特征,纹理更加丰富;与WRF预报结果相比,一阶自适应卡尔曼滤波模型订正后的均方根误差和平均绝对误差在自动气象站位置上分别降低了1.39和1.13 ℃,在空间分布上分别下降了1.19和0.97 ℃。

摘要:数值模式直接输出的预报结果常与观测存在偏差,对数值产品进行有效的本地化订正是提高预报准确率的重要手段。本文基于LightGBM和XGBoost两种机器学习算法,利用2020—2021年CMA-MESO模式产品和甘肃省340个考核站的实况数据,构建了两种逐小时2 m气温的时间滞后订正模型。评估结果表明:1)LightGBM订正模型略优于XGBoost订正模型,两种订正模型预报的逐小时2 m气温准确率分别达74.57％、74.33％,比SCMOC分别提高了27.6％、27.2％,较CMA-MESO模式分别提高了53.5％、53.0％。2)两种订正模型降低了模式对2 m气温日变化的预报偏差,对模式存在的日变化预报偏弱现象有显著改善。3)LightGBM和XGBoost两种订正模型减小了预报系统偏差,较大预报误差出现次数明显减少。

摘要:延伸期预报(提前10～30 d的天气预报)是目前尚未解决而又亟需解决的预报问题之一。本文利用2005—2022年湖南省97站逐日降水资料以及次季节至季节(subseasonal-to-seasonal,S2S)欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并分别以2005—2018年和2019—2022年为训练验证和独立预测年。基于模式的降水与环流预报产品,首先采用分级累积概率匹配和低频阈值法,对模式降水预报进行订正;然后通过分析大尺度环流特征与降水场的耦合关系,结合卷积神经网络(convolutional neural network,CNN)技术,分别构建基于ECMWF和NCEP动态预报产品的降水预测模型;最后对多种模型的预测结果进行集成,优化预测结果。试验结果表明,经过订正的两种模式延伸期降水预报的准确性均有显著提升,其中NCEP模式预报技巧的改进大于ECMWF模式。具体而言,订正后的NCEP模式单站降水预报TS评分提升38.5％,区域降水评分提升43.9％;ECMWF模式的TS评分提升14.0％,区域降水评分提升24.2％。独立预测表明,ECMWF模式预报的准确性要优于NCEP模式,特别是15 d预报时效前。CNN模型在15～30 d预报中展现出超越单一数值模式的预测能力,基于动力模式和CNN模型优势的集成预测在整个延伸期预报时效内均展现出较高的预报技巧。

摘要:基于中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System,CLDAS)格点实况资料与欧洲中期天气预报中心-综合预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Forecast System,ECMWF-IFS)模式最优因子集,构建了Res-STS(residual spatio-temporal stacking)网络气温预报订正模型,旨在提高湖南省气温预报的准确性。Res-STS模型在深度学习框架残差网络(residual networks,ResNets)的基础上进行了改进,采用“面-点”结构进行建模,有效保留了环境背景场特征和时序特征,包含ECMWF-IFS特征融合模块(EC feature fusion,ECFF)和降尺度模块(downscaling module,DM),前者利用卷积残差块提取特征,后者通过反卷积层实现分辨率降低,最终生成逐小时气温预报。在湖南省逐小时、日最高、日最低气温预报产品的误差分析中,Res-STS模型平均绝对误差(mean absolute error,MAE)分别为1.21、1.38、1.07 ℃,相较于ECMWF-IFS和国家气象中心指导预报表现出更低的误差,特别是在最高气温预报中表现尤为优异(误差比国家气象中心指导预报降低23.8％)。在高海拔地区的误差分布对比中,Res-STS模型表现出更高的精度和稳定性,其误差分布更为集中,中位数最低。在寒潮和高温天气过程中,Res-STS模型的最低气温、最高气温、逐1 h气温预报分别高于其他客观产品和人工订正结果。

摘要:在全球气候变化加剧和极端天气事件频发的背景下,准确预测天气和气候变化变得愈发重要。传统气象模型在模拟复杂大气系统和处理高维数据方面存在局限性,在一定程度上制约了预测的精度和可靠性。近年来,生成式人工智能模型,尤其是扩散模型(diffusion model)凭借其强大的生成能力和多模态数据处理能力,在图像合成、自然语言处理等领域取得了显著进展。鉴于其在高质量样本生成和多样性表达方面的优势,研究者开始探索扩散模型在气象领域的应用潜力。本文综述了扩散模型在气象领域的应用现状和前景,重点关注其在降水预报、数据同化、空间降尺度和极端天气事件模拟等关键性任务中的表现。研究表明,扩散模型为处理复杂天气系统提供了新的技术途径,给气象学领域带来了全新的研究范式和技术创新。未来扩散模型有望与传统物理模型深度融合,在天气预报、气候变化预估和极端事件预警等方面发挥重要作用。