|
与AI技术在其他领域的应用发展一样，天气预报中的AI应用也从计算机视觉技术应用起步。目 前计算机视觉技术已在多普勒雷达图像智能识别和短临外推（一般为0~2小时）、卫星云图类型识别 等方面广泛应用。日本九州大学的研究小组利用 深度学习技术，开发了从全球云系统分辨率模型 （Nonhydrostatic Icosahedral Atmospheric Model， NICAM）气候实验数据中识别热带低压的方法，特别是夏季西北太平洋热带低压发生一周前的征兆。美国NWS已大力着手基于云的天气预报应用，并已启动了内部研究和发展计划（Internal Research & Development Project，IP&D）提高天气预报能力。IP&D实现了针对灾害天气的实时数据挖掘，进而用于洪水预测。通过AI算法考虑过去已导致明显洪水灾害的区域，选出预报目标区，结合亚马逊网络云服务（Amazon Web Services，AWS），通过机器学习预测该目标区的洪灾可能性和严重程度，并通过AWS网页进行图形可视化调用。NWS还做了强风（阵风大于等于25.7 m/s)实时预报，使用AI技术预测未来不同距离(风暴单元周围0、5和10 km)和时间窗(未来0~15、15~30、30~45、45~60和60~90 min)内出现大风的概率。数据集由MYRORSS（The Multi-Year Reanalysis of Remotely Sensed Storms）质量控制的雷达图像、快速更新同化(Rapid Update Cycle，RUC)模型数据、1分钟气象机场报告(METARs;国家气候数据中心2006年)和NWS地区风暴报告等构成。MYRORSS的空间和时间分辨率分别为1 km和5 min,而RUC的分辨率为13 km和1 h。主要流程包括：首先，使用实时[28]和事后[33]方法对风暴细胞进行识别和跟踪。选取预测因子包括风暴运动(速度和方向)、风暴目标的形状参数(面积、方向和偏心)等；其次，通过对流允许模型(Convection Allowing Model，CAM)集成提供有关风暴强度、位置和演化的信息，并建立可预测冰雹发生概率和预测冰雹大小分布的机器学习模型。该模型已经在两个CAM集成系统上实时运行，并通过冰雹cast诊断[34]和风暴替代变量(updraft helicity)[35]进行验证。其中，观测的冰雹由美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)国家强风暴实验室(The National Severe Storms Laboratory,NSSL)多雷达多传感器[36]给出的冰雹最大预期[37]确定。预报和观测到的风暴根据空间和时间上的接近程度进行匹配，从每个预报风暴的范围内提取描述风暴和环境变量的统计信息，并将其输入到机器学习模型中。这种方法与Clark等[38]通过干线（dryline）判断风暴的方法有异曲同工之妙。Google公司也将深度学习用于提供空间分辨率1 km、时间分辨率1~3 h的美国大陆雨雪预报。观测资料包括遥感和地面站，如GEO和LEO卫星，多普勒雷达、雨量站，地表和气候等信息。过去2 h的历史数据主要包括：①8张GOES-16卫星图像（15 min分辨率），②8张或更多的多普勒雷达图像（2 min分辨率），③1张IMERG/GPM LEO卫星云图（每3 h 1张），④PRISM（Parameter-elevation Regressions on Independent Slopes Model）气候资料（当月的30年气候平均），⑤地形高度。输出包括未来3 h雷达图像和/或雨量观测。与传统的深度学习方法相比，该方法考虑到卫星资料和雷达资料的观测时间差异，使用延时处理以使两者时间匹配。基于2018年和2019年数据的检验表明，该方法的3 h预报性能高于数值预报方法。另一个典型的实例是，ProbSevere公司利用多雷达多传感器(Multi-Radar/Multi-Sensor System，MRMS)的复合反射率(同时获得多个雷达的最大柱状反射率)实时识别和跟踪风暴[36]。该方法在识别时，使用了风暴附近环境以及风暴速度信息。训练标签是通过运行一个名为best track的事后风暴跟踪程序[33]。训练数据还对所有持续时间大于7 200 s的风暴进行了采样，产生了2 872 680个用于训练的样本。
|