人工智能＋气象专题
2022, 45(5):641-659.
DOI: 10.13878/j.cnki.dqkxxb.20210623003
摘要:
近年来，随着人工智能技术在多个领域大数据分析中的应用，许多研究工作者尝试将地学研究与人工智能跨学科结合，取得了很多新的进展，推动了地球科学的发展。其中气候预测与人类生活以及防灾减灾等息息相关，准确的气候预测至关重要。本文简要总结了人工智能技术在气候预测应用方面的研究进展，包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性，可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战，例如数据集的构建、模型的适用性和物理可解释性等问题，对这些难点问题的研究和攻克，可以让人工智能在大数据时代中更好地补充传统地球科学方法，产生更多有益的效应，极大地改进气候预测水平。
近年来，随着人工智能技术在多个领域大数据分析中的应用，许多研究工作者尝试将地学研究与人工智能跨学科结合，取得了很多新的进展，推动了地球科学的发展。其中气候预测与人类生活以及防灾减灾等息息相关，准确的气候预测至关重要。本文简要总结了人工智能技术在气候预测应用方面的研究进展，包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性，可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战，例如数据集的构建、模型的适用性和物理可解释性等问题，对这些难点问题的研究和攻克，可以让人工智能在大数据时代中更好地补充传统地球科学方法，产生更多有益的效应，极大地改进气候预测水平。
2022, 45(5):660-673.
DOI: 10.13878/j.cnki.dqkxxb.20220424002
摘要:
本文将研究对象从地面气象要素扩展到三维气象要素；针对三维气象要素空间分辨率提升问题，融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理，提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型（Multi-Scale Residual Laplacian Pyramid Network，MSRLapN）。具体地，构造一种多尺度残差模块（Multi-Scale Resolution Block，MSRB），用于从三维空间多种气象要素中自动提取预报特征；从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用；然后，通过超分辨重建循环迭代方法，基于大样本历史数据学习订正降尺度预报的误差。在华东气候区，本文针对相对湿度和风速两种气象要素，实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度，并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比，实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息，MSRLapN有效实现了三维气象要素降尺度，效果优于其他对比方法。
本文将研究对象从地面气象要素扩展到三维气象要素；针对三维气象要素空间分辨率提升问题，融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理，提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型（Multi-Scale Residual Laplacian Pyramid Network，MSRLapN）。具体地，构造一种多尺度残差模块（Multi-Scale Resolution Block，MSRB），用于从三维空间多种气象要素中自动提取预报特征；从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用；然后，通过超分辨重建循环迭代方法，基于大样本历史数据学习订正降尺度预报的误差。在华东气候区，本文针对相对湿度和风速两种气象要素，实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度，并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比，实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息，MSRLapN有效实现了三维气象要素降尺度，效果优于其他对比方法。
2022, 45(5):674-687.
DOI: 10.13878/j.cnki.dqkxxb.20220711001
摘要:
风暴潮是指由强烈的大气扰动所导致的海面异常升高现象，由热带气旋引起的风暴潮常对沿海地区造成巨大的社会经济、人类活动和生命财产危害。依靠数据驱动的强非线性映射能力的机器学习方法较传统数值模式预报在耗费研究资源和计算时间上更具优势。本文选取广东省珠江口为研究区域，基于卷积长短时记忆网络（Convolutional LSTM network，ConvLSTM）机器学习算法展开风暴潮漫滩预报研究，利用由再分析资料驱动的数值模式产品构建了历史台风漫滩数据集，用于机器学习模型训练、验证和测试。研究了两种预报方式，一种是基于海表面高度场的自回归预报，另一种是依赖预报风场和初始海表面高度场进行的预报；它们可以实现基于数据驱动的风暴潮漫滩预报，其中自回归预报模型表现更优。相较于传统动力学数值预报，基于数据驱动的ConvLSTM预报模型结构更为轻便，所需驱动数据更少，在缺少边界条件、地形、径流等信号时，在短临预报中仍能基本复现数值模式模拟的结果。
风暴潮是指由强烈的大气扰动所导致的海面异常升高现象，由热带气旋引起的风暴潮常对沿海地区造成巨大的社会经济、人类活动和生命财产危害。依靠数据驱动的强非线性映射能力的机器学习方法较传统数值模式预报在耗费研究资源和计算时间上更具优势。本文选取广东省珠江口为研究区域，基于卷积长短时记忆网络（Convolutional LSTM network，ConvLSTM）机器学习算法展开风暴潮漫滩预报研究，利用由再分析资料驱动的数值模式产品构建了历史台风漫滩数据集，用于机器学习模型训练、验证和测试。研究了两种预报方式，一种是基于海表面高度场的自回归预报，另一种是依赖预报风场和初始海表面高度场进行的预报；它们可以实现基于数据驱动的风暴潮漫滩预报，其中自回归预报模型表现更优。相较于传统动力学数值预报，基于数据驱动的ConvLSTM预报模型结构更为轻便，所需驱动数据更少，在缺少边界条件、地形、径流等信号时，在短临预报中仍能基本复现数值模式模拟的结果。
2022, 45(6):835-849.
DOI: 10.13878/j.cnki.dqkxxb.20211101001
摘要:
长江流域是我国夏季高温热浪灾害的多发区之一,该地区日最高温度(Tmax)具有显著的低频(10～30 d和30～60 d周期)变化特征,超前-滞后相关分析和气温方程诊断的结果显示,影响长江流域Tmax低频变化的大尺度环流/对流信号包含:自欧亚大陆东移南下的低频波列,自东北亚向西南方向传播的异常环流,以及由西太平洋向东亚传播的低频对流;这些低频对流/环流活动通过改变辐射加热过程及绝热过程,导致长江流域Tmax的低频变化。为了客观且有效地辨识和捕捉这些先兆信号,并考虑长江流域Tmax与大尺度因子间的非线性作用,本文采用机器学习方法中的卷积神经网络(Convolutional Neural Network,CNN)对大量历史数据进行训练,并构建了长江流域Tmax的延伸期预报模型。在独立预报阶段,CNN预报模型对长江流域区域平均Tmax的预报时效达30 d,提前5～30 d预报的Tmax与观测Tmax的时间相关系数介于0.63～0.70(通过99％置信度的显著性检验),量级偏差(均方根误差)小于1个标准差,显示出CNN在延伸期灾害天气预报的应用潜力。
长江流域是我国夏季高温热浪灾害的多发区之一,该地区日最高温度(Tmax)具有显著的低频(10～30 d和30～60 d周期)变化特征,超前-滞后相关分析和气温方程诊断的结果显示,影响长江流域Tmax低频变化的大尺度环流/对流信号包含:自欧亚大陆东移南下的低频波列,自东北亚向西南方向传播的异常环流,以及由西太平洋向东亚传播的低频对流;这些低频对流/环流活动通过改变辐射加热过程及绝热过程,导致长江流域Tmax的低频变化。为了客观且有效地辨识和捕捉这些先兆信号,并考虑长江流域Tmax与大尺度因子间的非线性作用,本文采用机器学习方法中的卷积神经网络(Convolutional Neural Network,CNN)对大量历史数据进行训练,并构建了长江流域Tmax的延伸期预报模型。在独立预报阶段,CNN预报模型对长江流域区域平均Tmax的预报时效达30 d,提前5～30 d预报的Tmax与观测Tmax的时间相关系数介于0.63～0.70(通过99％置信度的显著性检验),量级偏差(均方根误差)小于1个标准差,显示出CNN在延伸期灾害天气预报的应用潜力。
2022, 45(6):850-862.
DOI: 10.13878/j.cnki.dqkxxb.20220615001
摘要:
为了进一步提高RISE系统高分辨率网格化预报产品的准确率,同时考虑到深度学习近年来在地学领域的有效应用,采用2019—2021年高分辨率RISE系统数据,设计出卷积神经网络模型Rise-Unet,实现了未来4～12 h地面2 m温度、2 m相对湿度、10 m-U风速以及10 m-V风速预报结果的订正。订正试验结果表明,采用均方根误差和平均绝对误差作为评分标准,与RISE原始预报结果相比,基于Rise-Unet模型可以有效提高温湿风预报结果的准确率。该基于深度学习的Rise-Unet偏差订正技术可应用于RISE系统的后处理模块,对提升RISE系统百米级分辨率或其他高分辨率模式系统格点预报水平具有重要的科学意义和应用价值。
为了进一步提高RISE系统高分辨率网格化预报产品的准确率,同时考虑到深度学习近年来在地学领域的有效应用,采用2019—2021年高分辨率RISE系统数据,设计出卷积神经网络模型Rise-Unet,实现了未来4～12 h地面2 m温度、2 m相对湿度、10 m-U风速以及10 m-V风速预报结果的订正。订正试验结果表明,采用均方根误差和平均绝对误差作为评分标准,与RISE原始预报结果相比,基于Rise-Unet模型可以有效提高温湿风预报结果的准确率。该基于深度学习的Rise-Unet偏差订正技术可应用于RISE系统的后处理模块,对提升RISE系统百米级分辨率或其他高分辨率模式系统格点预报水平具有重要的科学意义和应用价值。
2021, 44(1):26-38.
DOI: 10.13878/j.cnki.dqkxxb.20201125001
摘要:
经历了两次“人工智能寒冬”之后，机器学习于近十年再次进入大众视野，且有腾飞发展之势，已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征，从而对新数据做出准确的识别和预测，分别是机器学习的主要任务和主要目标之一。从这个角度看，将机器学习整合到气候预测的思路切实可行。本文，首先以线性拟合参数（即斜率和截距）调整为例，介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次，本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后，阐述了深度学习之卷积神经网络的框架原理，并将卷积神经网络应用到东亚冬季逐月气温的回报试验，并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理，为机器学习应用于气候预测提供一定的参考思路。
经历了两次“人工智能寒冬”之后，机器学习于近十年再次进入大众视野，且有腾飞发展之势，已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征，从而对新数据做出准确的识别和预测，分别是机器学习的主要任务和主要目标之一。从这个角度看，将机器学习整合到气候预测的思路切实可行。本文，首先以线性拟合参数（即斜率和截距）调整为例，介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次，本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后，阐述了深度学习之卷积神经网络的框架原理，并将卷积神经网络应用到东亚冬季逐月气温的回报试验，并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理，为机器学习应用于气候预测提供一定的参考思路。
2022, 45(2):179-190.
DOI: 10.13878/j.cnki.dqkxxb.20210731001
摘要:
能见度监测是交通出行安全的重要保障,尤其对机场和高速公路的大范围低能见度的监测和预警更为重要。在传统人工目测方法的基础上,以激光透射能见度仪为代表的仪器测量方法更为准确,但存在探测范围小、维护成本高、全覆盖耗资大的局限性。为了克服以上缺陷,使交通能见度的估计更为灵活、高效,本文基于机场气象站点观测数据、机场大雾以及高速公路低能见度图像,构建优化三种不同场景下的能见度估计模型,并探讨了不同模型的适用性。1)基于气象站点观测的能见度估计,运用相关系数矩阵和特征重要性分析筛选出相对湿度、温度、水平风速3个变量,并考虑昼夜分别构建三元三次多项式拟合模型,模型的决定系数(R2)可达0.9以上;2)基于机场大雾图像的能见度估计深度学习模型,利用尺度不变特征变换方法提取图像关键点的特征向量,输入全连接神经网络(fully connected neural network)模型,加快训练过程并提高模型的可解释性;3)基于高速公路图像的能见度估计的反演模型,根据暗通道先验理论和能见度测量基本方程,计算大气光亮度和透射率,并根据图像距离信息得到单目图像的能见度,该方法无须预置目标物和像机参数,也不需要训练样本。本研究考虑了基于气象观测的物理模型与基于图像特征的深度学习方法,建立分别适用于具有机场常规气象观测,以及机场大雾低信噪比图像或高速公路低能见度单目图像时对交通能见度的估计,有效降低了能见度监测对观测仪器的依赖性。
能见度监测是交通出行安全的重要保障,尤其对机场和高速公路的大范围低能见度的监测和预警更为重要。在传统人工目测方法的基础上,以激光透射能见度仪为代表的仪器测量方法更为准确,但存在探测范围小、维护成本高、全覆盖耗资大的局限性。为了克服以上缺陷,使交通能见度的估计更为灵活、高效,本文基于机场气象站点观测数据、机场大雾以及高速公路低能见度图像,构建优化三种不同场景下的能见度估计模型,并探讨了不同模型的适用性。1)基于气象站点观测的能见度估计,运用相关系数矩阵和特征重要性分析筛选出相对湿度、温度、水平风速3个变量,并考虑昼夜分别构建三元三次多项式拟合模型,模型的决定系数(R2)可达0.9以上;2)基于机场大雾图像的能见度估计深度学习模型,利用尺度不变特征变换方法提取图像关键点的特征向量,输入全连接神经网络(fully connected neural network)模型,加快训练过程并提高模型的可解释性;3)基于高速公路图像的能见度估计的反演模型,根据暗通道先验理论和能见度测量基本方程,计算大气光亮度和透射率,并根据图像距离信息得到单目图像的能见度,该方法无须预置目标物和像机参数,也不需要训练样本。本研究考虑了基于气象观测的物理模型与基于图像特征的深度学习方法,建立分别适用于具有机场常规气象观测,以及机场大雾低信噪比图像或高速公路低能见度单目图像时对交通能见度的估计,有效降低了能见度监测对观测仪器的依赖性。
2020, 43(3):435-446.
DOI: 10.13878/j.cnki.dqkxxb.20200219003
摘要:
基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日-9月30日中国及周边地区地面2 m气温24~168 h集合预报资料，利用长短期记忆神经网络（Long Short-Term Memory，LSTM）、浅层神经网络（Neural Networks，NN）、滑动训练期消除偏差集合平均（BREM）和滑动训练期多模式超级集合（SUP）方法对2015年9月5-30日26 d预报期进行集成预报试验。结果表明，BREM对5个单模式进行等权集成，预报结果易受预报效果较差模式的影响，整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部，等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前，SUP的误差明显小于ECMWF的预报误差，但随预报时效增加，误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好，特别是在预报时效较长（超过72 h）时，比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报，但在南疆部分地区误差较大。
基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日-9月30日中国及周边地区地面2 m气温24~168 h集合预报资料，利用长短期记忆神经网络（Long Short-Term Memory，LSTM）、浅层神经网络（Neural Networks，NN）、滑动训练期消除偏差集合平均（BREM）和滑动训练期多模式超级集合（SUP）方法对2015年9月5-30日26 d预报期进行集成预报试验。结果表明，BREM对5个单模式进行等权集成，预报结果易受预报效果较差模式的影响，整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部，等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前，SUP的误差明显小于ECMWF的预报误差，但随预报时效增加，误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好，特别是在预报时效较长（超过72 h）时，比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报，但在南疆部分地区误差较大。
2022, 45(2):203-211.
DOI: 10.13878/j.cnki.dqkxxb.20220104002
摘要:
以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法。实验结果表明,改进后的神经网络模型的平均识别正确率达83.9%,相较于其他几种模型具有较高的正确率和较好的收敛性。将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9%,且白天识别效果要优于夜间。通过系统监测到2019年4月4日京沪高速发生了一次团雾动态生消过程。该次团雾过程具有移动快、范围小、生存时间短的特征。系统的应用能够为交通管理部门应对团雾发生时的智能管控和决策调度提供技术支持。
以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法。实验结果表明,改进后的神经网络模型的平均识别正确率达83.9%,相较于其他几种模型具有较高的正确率和较好的收敛性。将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9%,且白天识别效果要优于夜间。通过系统监测到2019年4月4日京沪高速发生了一次团雾动态生消过程。该次团雾过程具有移动快、范围小、生存时间短的特征。系统的应用能够为交通管理部门应对团雾发生时的智能管控和决策调度提供技术支持。
2021, 44(4):636-644.
DOI: 10.13878/j.cnki.dqkxxb.20190419001
摘要:
以西班牙萨拉曼卡地区为研究区域，联合Sentinel-1后向散射系数和入射角信息、Sentinel-2光学数据提取的植被指数以及地面实测数据，构建了BP神经网络土壤湿度反演模型，并将该模型应用于试验区土壤湿度反演。结果表明：1）基于Sentinel-1卫星VV和VH极化雷达后向散射系数、雷达入射角和Sentinel-2植被指数数据构建的BP神经网络土壤湿度反演模型，能够实现对该地区土壤湿度高精度反演；2）在光学与微波数据联合反演植被覆盖区土壤湿度中，Sentinel-2的NDVI、NDWI1和NDWI2指数都可以用于削弱植被对土壤湿度反演的影响，但基于SWRI1波段的NDWI1能够获得更高精度的土壤湿度反演结果（RMSE为0.049 cm3/cm3，ubRMSE为0.048 cm3/cm3，Bias为0.008 cm3/cm3，r为0.681）；3）相比于Sentinel-1 VH极化模式，Sentinel-1 VV极化模式在土壤湿度中表现出更大优势，说明Sentinel-1 VV极化模式更适用于土壤湿度反演。
以西班牙萨拉曼卡地区为研究区域，联合Sentinel-1后向散射系数和入射角信息、Sentinel-2光学数据提取的植被指数以及地面实测数据，构建了BP神经网络土壤湿度反演模型，并将该模型应用于试验区土壤湿度反演。结果表明：1）基于Sentinel-1卫星VV和VH极化雷达后向散射系数、雷达入射角和Sentinel-2植被指数数据构建的BP神经网络土壤湿度反演模型，能够实现对该地区土壤湿度高精度反演；2）在光学与微波数据联合反演植被覆盖区土壤湿度中，Sentinel-2的NDVI、NDWI1和NDWI2指数都可以用于削弱植被对土壤湿度反演的影响，但基于SWRI1波段的NDWI1能够获得更高精度的土壤湿度反演结果（RMSE为0.049 cm3/cm3，ubRMSE为0.048 cm3/cm3，Bias为0.008 cm3/cm3，r为0.681）；3）相比于Sentinel-1 VH极化模式，Sentinel-1 VV极化模式在土壤湿度中表现出更大优势，说明Sentinel-1 VV极化模式更适用于土壤湿度反演。
2012, 35(4):508-512.
摘要:
黑子面积数是表征太阳活动的重要物理量,准确预测黑子面积能为太阳活动研究、空间天气业务等提供重要参考依据。本文提出一种基于BP神经网络的黑子面积平滑月均值预测方法,利用第20个太阳周之前的数据对网络进行训练,建立预测模型。对第21个太阳周至今的数据进行预测试验,并考虑不同训练步长、预测步长对模型精度的影响。结果表明,该模型能准确逐月预测黑子面积,采用不同训练步长时相对误差均不超过5%,进行更长时间的预测,相对误差会逐渐增大。
黑子面积数是表征太阳活动的重要物理量,准确预测黑子面积能为太阳活动研究、空间天气业务等提供重要参考依据。本文提出一种基于BP神经网络的黑子面积平滑月均值预测方法,利用第20个太阳周之前的数据对网络进行训练,建立预测模型。对第21个太阳周至今的数据进行预测试验,并考虑不同训练步长、预测步长对模型精度的影响。结果表明,该模型能准确逐月预测黑子面积,采用不同训练步长时相对误差均不超过5%,进行更长时间的预测,相对误差会逐渐增大。
2021, 44(3):381-393.
DOI: 10.13878/j.cnki.dqkxxb.20210117001
摘要:
基于欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）2015年2月8日—2016年12月31日中国华东及华南地区24～168 h预报时效的逐日24 h累积降水集合预报资料，利用前馈神经网络建立NN（Neutral Network）模型及NN-GI（Neutral Network-Geographic Information）模型进行概率预报试验，并对两个模型输出的概率预报结果进行评估。结果表明，经NN模型和NN-GI模型订正后，降水概率预报结果得到明显改进，在168 h预报时效时，降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00％、21.27％。与NN模型相比，NN-GI模型由于考虑到各格点的地理信息差异，在区域内预报技巧整体改进更优。这表明，在利用机器学习方法改进降水预报时，在模型中加入各个格点的地理信息非常重要。
基于欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）2015年2月8日—2016年12月31日中国华东及华南地区24～168 h预报时效的逐日24 h累积降水集合预报资料，利用前馈神经网络建立NN（Neutral Network）模型及NN-GI（Neutral Network-Geographic Information）模型进行概率预报试验，并对两个模型输出的概率预报结果进行评估。结果表明，经NN模型和NN-GI模型订正后，降水概率预报结果得到明显改进，在168 h预报时效时，降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00％、21.27％。与NN模型相比，NN-GI模型由于考虑到各格点的地理信息差异，在区域内预报技巧整体改进更优。这表明，在利用机器学习方法改进降水预报时，在模型中加入各个格点的地理信息非常重要。
2019, 42(2):311-320.
DOI: 10.13878/j.cnki.dqkxxb.20190117001
摘要:
研究设计了基于生成对抗网络（Generative Adversarial Networks，GAN）的人工智能临近预报方法，并进行了业务试验。该方法利用广东12部S波段天气雷达2015—2017年海量雷达拼图资料进行人工智能学习来做临近预报。GAN方法从一系列雷达观测资料中，运用卷积法提取回波图像信息建立预报模型，并通过损失函数训练模型，得到基于人工智能技术的临近预报。对2018年发生在广东地区的4个天气过程的外推预报试验表明，GAN方法对对流天气过程的回波位置、形状及强度的临近预报多数情况下与实况基本一致，具有较好的预报效果。但是该方法预报的回波范围偏大，对层状云降水的预报效果较差。对西风带系统引起的降水，西南季风降水，东风系统引起的降水以及台风降水的18个个例1 h预报的3个级别的回波强度检验发现，GAN方法对中等强度回波的预报较好，但对强回波的预报效果仍有待提高。
研究设计了基于生成对抗网络（Generative Adversarial Networks，GAN）的人工智能临近预报方法，并进行了业务试验。该方法利用广东12部S波段天气雷达2015—2017年海量雷达拼图资料进行人工智能学习来做临近预报。GAN方法从一系列雷达观测资料中，运用卷积法提取回波图像信息建立预报模型，并通过损失函数训练模型，得到基于人工智能技术的临近预报。对2018年发生在广东地区的4个天气过程的外推预报试验表明，GAN方法对对流天气过程的回波位置、形状及强度的临近预报多数情况下与实况基本一致，具有较好的预报效果。但是该方法预报的回波范围偏大，对层状云降水的预报效果较差。对西风带系统引起的降水，西南季风降水，东风系统引起的降水以及台风降水的18个个例1 h预报的3个级别的回波强度检验发现，GAN方法对中等强度回波的预报较好，但对强回波的预报效果仍有待提高。
2018, 41(6):829-837.
DOI: 10.13878/j.cnki.dqkxxb.20170507005
摘要:
利用1997-2015年吉林省春夏期（4-7月）逐日气象站地面观测资料，以气温、气压、相对湿度、水汽压、风速为协变量，建立各站点逐日降水量的基于自组织映射神经网络（Self-Organizing Maps，SOM）的统计预测模型；分析吉林省春夏期的主要天气模态，研究逐日降水和天气模态之间的关系，并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明：SOM对天气模态的分型质量较好，邻近天气模态的累积概率分布较相似，距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0.94，显著性水平小于0.01。基于降水量累积概率分布，20种天气模态被划分成4类，并与降水易发程度和逐日降水量完全对应。在此基础上，对吉林省24个站点逐日降水量进行蒙特卡罗模拟，并进行预测性能分析。平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）的中位数分别为3.12 mm和6.13 mm，SBrier和Ssig分别为0.06和0.51，站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小，去除降水自然变异差异的影响，所有站点的误差都较小；SBrier和Ssig没有明显的空间分布特征。
利用1997-2015年吉林省春夏期（4-7月）逐日气象站地面观测资料，以气温、气压、相对湿度、水汽压、风速为协变量，建立各站点逐日降水量的基于自组织映射神经网络（Self-Organizing Maps，SOM）的统计预测模型；分析吉林省春夏期的主要天气模态，研究逐日降水和天气模态之间的关系，并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明：SOM对天气模态的分型质量较好，邻近天气模态的累积概率分布较相似，距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0.94，显著性水平小于0.01。基于降水量累积概率分布，20种天气模态被划分成4类，并与降水易发程度和逐日降水量完全对应。在此基础上，对吉林省24个站点逐日降水量进行蒙特卡罗模拟，并进行预测性能分析。平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）的中位数分别为3.12 mm和6.13 mm，SBrier和Ssig分别为0.06和0.51，站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小，去除降水自然变异差异的影响，所有站点的误差都较小；SBrier和Ssig没有明显的空间分布特征。
2004, 27(6):776-783.
摘要:
建立了福建汛期旱涝BP和Elman神经网络预测模型,并对两种模型的性能和差异进行了比较,结果表明:动量BP网络模型,特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大,而对旱涝等级为3的预测较为准确。
建立了福建汛期旱涝BP和Elman神经网络预测模型,并对两种模型的性能和差异进行了比较,结果表明:动量BP网络模型,特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大,而对旱涝等级为3的预测较为准确。
2017, 40(3):425-432.
DOI: 10.13878/j.cnki.dqkxxb.20140324001
摘要:
利用NCEP提供的全球空间分辨率为2.5°×2.5°、2007—2012年6—8月日平均500 hPa高度场再分析格点资料和浙北地区158个站点观测资料，研究了不同大气环流型下局地降水与大尺度降水场之间的关系，以4种不同环流型下的预报对象和预报因子分别采用BP神经网络方法对观测资料进行逼近，得到4种空间降尺度的预报模型，分析对比4种预报模型158站逐日的降水量的预报。结果表明：神经网络模型的隐层节点数为2时，对降水的拟合效果最好；对降水的极值拟合效果中，环流分型中NW型和C型的效果优于SW型和SE型；从4种分型下的误差空间分布来看，浙北地区沿海的宁波、舟山一带的误差小于浙北其他区域；把雨量分等级后进行预测，发现模型对暴雨的预测能力最好。
利用NCEP提供的全球空间分辨率为2.5°×2.5°、2007—2012年6—8月日平均500 hPa高度场再分析格点资料和浙北地区158个站点观测资料，研究了不同大气环流型下局地降水与大尺度降水场之间的关系，以4种不同环流型下的预报对象和预报因子分别采用BP神经网络方法对观测资料进行逼近，得到4种空间降尺度的预报模型，分析对比4种预报模型158站逐日的降水量的预报。结果表明：神经网络模型的隐层节点数为2时，对降水的拟合效果最好；对降水的极值拟合效果中，环流分型中NW型和C型的效果优于SW型和SE型；从4种分型下的误差空间分布来看，浙北地区沿海的宁波、舟山一带的误差小于浙北其他区域；把雨量分等级后进行预测，发现模型对暴雨的预测能力最好。
2018, 41(5):668-675.
DOI: 10.13878/j.cnki.dqkxxb.20180523001
摘要:
选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本，基于灾损数据，采用灰色关联分析法建立台风灾情关联度，选取台风灾害致灾因子、台风灾情综合关联度，利用BP神经网络建立台风灾情预估模型。结果表明，利用台风灾情关联度评估台风灾情大小合理可用，台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性，利用BP神经网络预估模型对台风灾情预估效果较好，其中训练样本、测试样本的模拟值与实际值相关系数分别达到0.94、0.865，均通过了0.01信度的显著性检验，训练集、测试集灾情级别预报一致率为85.3%、77.8%，相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。
选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本，基于灾损数据，采用灰色关联分析法建立台风灾情关联度，选取台风灾害致灾因子、台风灾情综合关联度，利用BP神经网络建立台风灾情预估模型。结果表明，利用台风灾情关联度评估台风灾情大小合理可用，台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性，利用BP神经网络预估模型对台风灾情预估效果较好，其中训练样本、测试样本的模拟值与实际值相关系数分别达到0.94、0.865，均通过了0.01信度的显著性检验，训练集、测试集灾情级别预报一致率为85.3%、77.8%，相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。
地址：江苏南京宁六路219号南京信息工程大学 邮编：210044
联系电话：025-58731158 E-mail：xbbjb@nuist.edu.cn QQ交流群号：344646895
大气科学学报 ® 2023 版权所有 技术支持：北京勤云科技发展有限公司
