原創 機器之心產業研究 機器之能
大自然風雲變幻莫測，令人捉摸不透自古以來人們便為了生產生活建立起來各種預測天氣的方法。儘管現代氣象預測系統已經在數值預報模型上取得不錯的效果，但這種依賴人們對大氣物理的理解的物理模型常會收到各種各樣隨機因素的幹擾，無法滿足氣候覆雜多變的地區的預測需求。伴隨著以神經網絡為代表的人工智慧算法研究的發展和在應用領域的成功，氣象行業也在嘗試用統計算法代替或補充傳統數值模型。不少氣象單位、科研機構和科技公司都在不同的應用場景融入了人工智慧。
作者 | 言青佳、陸少遊
一
氣象研究領域現狀及市場規模
人工智慧運用於氣象研究和天氣預報帶來的經濟效益是巨大的。突發或極端天氣事件對生態系統、基礎設施和人類健康有著巨大的潛在風險。就我國東南沿海夏季颱風而言，影響城鎮正常運作，造成的直接經濟損失往往上億。2018年著名颱風山竹過境，造成經濟損失52億元。儘管天氣事件無法避免，但提前的預警能挽救一部分經濟損失。而對突發事件的預測是傳統天氣預報模型的軟肋，因此藉助人工智慧進行預報是很有價值的嘗試。此外，在氣象數據過程，人工智慧的輔助能加快數據處理的速度，減輕判圖人員和預報人員的工作負擔。而在風能發電、農業、環境監測等不同行業，人工智慧也能因提高預測準確率而節省成本及增加管理效率。來自於中國產業信息網的數據顯示，未來5年中國氣象服務產業收入預計達到3000億元人民幣，而這其中人工智慧大有可為。
二
氣象研究中的常用人工智慧技術
計算機視覺：是用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖像處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。在氣象預測中，雷達數據被轉換成了圖像，可以將這種預測視為一個計算機視覺問題，從輸入圖像序列去推測氣象的演變。
卷積神經網絡：由一個或多個卷積層和頂端的全連通層組成，同時也包括關聯權重和池化層（poolinglayer）。與其他深度學習結構相比，卷積神經網絡在圖像和語音識別方面能夠給出更好的結果。可以使用反向傳播算法進行訓練。相比較其他深度、前饋神經網絡，卷積神經網絡需要考量的參數更少，使之成為一種頗具吸引力的深度學習結構。
長短時記憶網絡：是循環神經網絡（RNN）的一種。RNN是一類以序列（sequence）數據為輸入，在序列的演進方向進行遞歸（recursion）且所有節點（循環單元）按鏈式連接的遞歸神經網絡。LSTIM作為當前最流行的RNN成功的解決了原始循環神經網絡的缺陷，在語音識別、圖片描述、自然語言處理等許多領域中成功應用。
集成學習：在機器學習的有監督學習算法中，學習出穩定的且在各個方面表現都較好的模型有時並不容易。有時我們只能得到多個只在在某些方面表現得好的弱監督模型。集成學習就是將多個弱監督模型組合起來，以期得到一個更全面的強監督模型。
三
人工智慧在氣象研究領域的應用分布
四
人工智慧在氣象研究領域的應用案例
上海氣象局智能網格預報: 在進博會氣象服務中，上海氣象局利用智能網格預報，通過數據分析和機器學習研究不同尺度大氣運動規律，訂正數值預報誤差，在短臨外推預報、短臨災害性天氣識別與預測、數值模式預報訂正等方面取得了一定的技術成果。在進博會氣象臺的天氣預報崗，上海精細化智能格點編輯系統利用人工智慧技術每天對上海11個站點的短臨天氣預報進行「訂正」，每天發布雷達外推產品和數值預報定量降水訂正產品。
Google Nowcast: Google 利用使用一種數據驅動、完全不考慮物理模型的方法來建立短臨降水預報模型。研究人員僅依賴神經網絡，通過訓練數據集來學習擬合大氣物理，而沒有使用先驗的大氣物理運動知識。在這裡，降水預報被看作是一種由圖片至圖片的轉換問題，並利用一種U-net結構的卷積神經網來實現預報目的。不同於傳統即時預報採取的高解析度快速刷新(HRRR)數值預報、光流(OF)算法和持久性模型的是，U-Net模型利用精度圖和回憶圖的方法所表現的預報質量更優。此外，該模型還提供了額外的瞬時預測，而傳統的方法如HRRR計算延遲時間有1-3小時。
Deep mind預測風力: Google 自2018年起，將氣象觀測資料、氣象預測、和實地的量測結果輸入 DeepMind 的機器學習平臺上，經過運算，得到36 小時後的風力預測，進而應用在自家位於美國中部的 700MW 風力發電場。通過風力預測，獲得未來一天預計能提供的電力總量。Google 將此數據提前知會電力公司，使其能有效管理供電。
五
人工智慧在氣象研究領域的局限性
儘管不少研究機構和氣象預報單位都利用上了人工智慧這一工具，人工智慧能在多大程度上幫助天氣預報和氣象服務仍充滿爭議，值得進一步探索嘗試。在天氣預測中，影響天氣變化的因素成千上萬個，每一個變量都在時刻不停的變化。涉及到的變量越多，對人工智慧訓練數據、計算能力的要求就越高。而前面提到的數值模型不能很好地處理的局部突發性劇烈天氣，人工智慧亦難以捕捉。這類天氣現象事先在雷達圖沒有預兆的，在沒有回波的前提下，人工智慧算法也無法進行預報
六
人工智慧在氣象研究領域的發展趨勢
當前，將人工智慧在個彆氣象研究場景下的應用已獲得業界的肯定，例如在數值模型預測基礎上利用機器學習訂正偏差，利用計算機視覺處理衛星數據及預測極端天氣等。而當前比較熱的領域是使用機器學習工具加速天氣模式的部分組件，以期加速短時臨近預報。未來業界和研究機構還將產生更多的案例，來建立融合機器學習與數值模擬的混合預報模式。
* 本文為「智周」系列報告「核心版」，相應「深度版」的推出計劃將在後續公布，敬請大家關注。針對「人工智慧在氣象研究領域的應用現狀及展望」這一主題，有哪些方向或主題，你希望在報告深度版中讀到詳細的闡述與分析，歡迎留言，這將成為我們製作報告深度版的重要參考。
關於「智周」系列報告
機器之心「智周」人工智慧技術應用報告系列重點關注現有人工智慧技術應用較成熟且應用潛力較大的正在進行智慧升級的傳統行業及場景，逐行業、逐場景為產業用戶高效而不失深度地呈現不同人工智慧技術的產業落地現狀、企業案例、技術應用趨勢等。「智周」人工智慧技術應用報告系列包含核心版及深度版兩個版本：
核心版濃縮精華分析內容至2頁內，覆蓋重要數據、分析結論及案例簡述，以供使用者高效系統地了解人工智慧技術在自身所關注產業內的潛在機會。
深度版在核心版的基礎上，包含詳盡的行業或場景痛點分析、技術解讀、落地案例詳解及資料附錄等，以供有深度研究需求的使用者進行深入探究。
▼ 專題推薦
算法攻破人臉識別「口罩」難題2020-02-18
大疆為6億平米土地築起「防護牆」2020-02-12
CT+AI雙拳出擊攻破假陰性困境2020-02-10
原標題：《強化數據分析，精準天氣預報，人工智慧賦能氣象研究 | 智周報告核心版》
閱讀原文