匡秋明 于廷照

（中國氣象局公共氣象服務(wù)中心，北京 100081）

0 引言

2019年4月23—25日，美國國家海洋和大氣管理局（NOAA）在其天氣和氣候預(yù)測中心主辦了利用人工智能（Artificial Intelligence，AI）技術(shù)開發(fā)利用衛(wèi)星觀測資料和數(shù)值天氣預(yù)報的研討會。研討會的目的是促進(jìn)遙感/地球觀測/數(shù)值模式等氣象科學(xué)專家和人工智能領(lǐng)域?qū)＜抑g的知識交流，探索使用人工智能解決NOAA在有效利用爆炸性增長衛(wèi)星觀測數(shù)據(jù)方面面臨的重大挑戰(zhàn)。會議指出，人工智能是環(huán)境數(shù)據(jù)處理和開發(fā)利用以及NWP中的一項潛在的變革性技術(shù)，特別是處理衛(wèi)星和其他大容量數(shù)據(jù)的革命性技術(shù)。

1 AI在衛(wèi)星資料環(huán)境要素預(yù)報研究進(jìn)展

1.1 云、霧、雪的檢測、識別和預(yù)報

衛(wèi)星圖像云、霧、雪的檢測、識別和預(yù)測是各類氣象服務(wù)的基礎(chǔ)，有效的云、霧、雪相關(guān)算法研究對提高氣象要素預(yù)報精度具有一定指導(dǎo)價值。基于人工智能機(jī)器學(xué)習(xí)方法的云檢測技術(shù)由來已久，Ting等[1]提出一種多特征融合方法，通過融合譜特征、紋理特征和歸一化植被指數(shù)特征，用支持向量機(jī)（SVM）對高分衛(wèi)星圖像進(jìn)行檢測，識別準(zhǔn)確率達(dá)到91.45%。多特征融合方法是有效的，但其最大的問題在于特征提取方法需要很強(qiáng)的先驗知識，因此，云檢測準(zhǔn)確率在很大程度上依賴于底層特征選擇。為解決此問題，Shi等[2]和Cai等[3]分別提出基于深度網(wǎng)絡(luò)的方法，通過網(wǎng)絡(luò)自動挖掘云層的潛在判別信息。衛(wèi)星圖像首先通過線性迭代聚類轉(zhuǎn)換為超像素子區(qū)域，網(wǎng)絡(luò)對每個子區(qū)域分別檢測識別。針對小型衛(wèi)星遙感圖像，Zhang等[4]提出一種基于Unet網(wǎng)絡(luò)和小波變換的云檢測識別技術(shù)，通過紅光、綠光、藍(lán)光和紅外四種波段，在Landset-8數(shù)據(jù)集上云識別準(zhǔn)確率達(dá)到97.45%。Li等[5]提出還有一種多尺度卷積特征融合技術(shù)，采用自動編碼器模型提取多尺度、高層空間特征，不同層特征融合后，通過主流卷積網(wǎng)絡(luò)可以實現(xiàn)云檢測分割。此外，Ozkan等[6]提出深度金字塔網(wǎng)絡(luò)結(jié)構(gòu)，Hayatbini等[7]提出基于梯度的云檢測分割，其最大優(yōu)勢是可以逐像素點識別云層類別。Tan等[8]和Mohajerani等[9]最近也提出多種基于卷積長短時記憶網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)的云檢測方法。

霧在衛(wèi)星圖像的呈現(xiàn)形式上與云具有很強(qiáng)相似性，Egli等[10]提出基于多元混合數(shù)據(jù)和隨機(jī)森林的霧檢測方法。Colabone等[11]、Han等[12]將各種氣象要素時間序列轉(zhuǎn)換為二維圖像，通過卷積神經(jīng)網(wǎng)絡(luò)可以預(yù)測短時的霧產(chǎn)生消散情況。Xie等[13]提出多分支深度網(wǎng)絡(luò)方法，每個分支在多尺度上分別進(jìn)行厚霧、薄霧、無霧的檢測識別。此外，利用人工智能技術(shù)可以實現(xiàn)衛(wèi)星圖像云、霧的去除，對地物觀測識別[14-15]、地面能見度分析[16]具有指導(dǎo)作用，對交通流量管理[17-18]、航海[19]、航班飛行[20]等海陸空專業(yè)氣象服務(wù)也具有重要應(yīng)用價值。

云、霧、雪底層顏色特征和局部紋理特征的相似性使得如何區(qū)分三者之間形態(tài)也是當(dāng)前人工智能技術(shù)的發(fā)展方向。Zhan等[21]提出一種全卷積網(wǎng)絡(luò)，可以在衛(wèi)星圖像像素級實現(xiàn)云和雪的分類識別分割。盡管此類方法效果明顯，其仍然存在兩方面缺陷：從模型角度此類方法易產(chǎn)生梯度消散并造成模型退化，從數(shù)據(jù)角度此類方法無法充分利用各類有效數(shù)據(jù)，從而造成監(jiān)測識別精度的降低。為解決以上兩點問題，Xia等[22]提出基于多維輸入的深度殘差網(wǎng)絡(luò)（Multidimensional deep Residual Network，M-ResNet），通過多維信息輸入實現(xiàn)有效信息互補(bǔ)，該技術(shù)可以有效提取衛(wèi)星圖像特征及譜信息，在多譜段衛(wèi)星圖像上可以實現(xiàn)無云雪、云、雪、云雪混合四種模態(tài)識別。Nijhawan等[23]提出基于深度特征和淺層特征的融合方法，該方法分為兩部分，第一部分以在計算機(jī)視覺領(lǐng)域預(yù)訓(xùn)練的主流卷積網(wǎng)絡(luò)為基礎(chǔ)，提取衛(wèi)星數(shù)據(jù)譜圖像的深度卷積網(wǎng)絡(luò)特征，第二部分基于傳統(tǒng)手工特征提取合成孔徑雷達(dá)圖像的判別式特征，該方法在驗證集積雪識別的準(zhǔn)確率對比主流方法提高了2%。此外，不僅積雪覆蓋區(qū)域會影響日常生活，積雪區(qū)域的變換也會影響人們的日常生活安排及出行計劃，為此，Varade等[24]提出基于稀疏表示和字典學(xué)習(xí)的積雪覆蓋區(qū)域變化識別方法，將積雪覆蓋區(qū)域表示視作圖像，以K-SVD分解得到圖像表示的一組完備基，即字典，再通過稀疏反編碼技術(shù)獲取最終積雪覆蓋區(qū)域的變化信息，該方法比基于支持向量機(jī)的方法效果有明顯提升。Zhu等[25]提出一種針對山地地區(qū)高時空分辨率積雪覆蓋區(qū)域識別的一種半監(jiān)督方法，稱為半監(jiān)督多時段積雪提取法（SMCE）。該方法最大的特點是可以實現(xiàn)多時段相同區(qū)域圖像的耦合模型訓(xùn)練，不同時段的圖像視作相同地表觀測的不同描述形式，然后通過迭代的耦合訓(xùn)練即可實現(xiàn)大規(guī)模無標(biāo)注數(shù)據(jù)的有效利用，即半監(jiān)督方法。

1.2 太陽能輻射預(yù)報

太陽能輻射預(yù)報隨著各種新能源設(shè)備、技術(shù)的普及也逐步展開，并且人工智能技術(shù)需求日益提高[26-30]。Senkal等[31]利用經(jīng)緯度、高度、時間、輻射等氣象衛(wèi)星數(shù)據(jù)和地理位置作為輸入信息，并基于神經(jīng)元網(wǎng)絡(luò)實現(xiàn)了對任意位置的太陽能輻射預(yù)測，以歸一化共軛梯度為優(yōu)化算法，該神經(jīng)元網(wǎng)絡(luò)與傳統(tǒng)方法最大的不同在于其采用彈性傳播機(jī)制而非主流反向傳播，使得神經(jīng)元網(wǎng)絡(luò)的收斂速度明顯加快。Marquez等[32]利用衛(wèi)星數(shù)據(jù)和神經(jīng)元網(wǎng)絡(luò)實現(xiàn)了未來2 h逐30 min全球水平太陽能輻射預(yù)測，由于太陽能輻射量與云層位置及其厚度有很大關(guān)系，該方法首先根據(jù)提供的衛(wèi)星圖像數(shù)據(jù)估算感興趣區(qū)域云的平均移動速度，進(jìn)而估計在未來短時間內(nèi)該運動造成云覆蓋量變化對全局輻射的影響，在多種評價準(zhǔn)則條件下該方法優(yōu)于凍結(jié)云傳導(dǎo)（Frozen Cloud Translation）模型。Voyant等[33]利用靜止衛(wèi)星獲取的全球的二維太陽能時間序列作為神經(jīng)元網(wǎng)絡(luò)，實現(xiàn)了對地球上偏遠(yuǎn)或無標(biāo)定地區(qū)的太陽能預(yù)測。不同于主流基于均方誤差優(yōu)化目標(biāo)的方法，該方法在太陽能預(yù)測領(lǐng)域首次引入基于互信息評價準(zhǔn)則，該準(zhǔn)則相較均方差目標(biāo)能夠最大化感興趣區(qū)域損失，后來該方法在計算機(jī)視覺領(lǐng)域得到廣泛推廣，即注意力（Attention）機(jī)制。Zhou等[34]利用中分辨率成像光譜儀（MODIS）遙感數(shù)據(jù)，基于隨機(jī)森林方法實現(xiàn)了太陽能輻射的逐日預(yù)測。隨機(jī)森林是機(jī)器學(xué)習(xí)領(lǐng)域常見的一種集成學(xué)習(xí)方法，簡單起見，博伊西州立大學(xué)直接采用開源隨機(jī)森林模型，其最大特點是采用耦合方式，融合了地面觀測數(shù)據(jù)和遙感數(shù)據(jù)，使得隨機(jī)森林模型可以綜合考慮多模式輸入的優(yōu)勢。Jang等[35]基于多源衛(wèi)星圖像和支持向量機(jī)實現(xiàn)了太陽能輻射預(yù)測方法。同Marquez等[32]一樣，該技術(shù)首先基于衛(wèi)星圖像的大氣運動向量（AMVs）實現(xiàn)了大氣層運動信息估計，并利用4年的衛(wèi)星信息觀測數(shù)據(jù)實現(xiàn)了基于支持向量機(jī)的太陽能輻射時序預(yù)測。Srivastava等[36]首次提出基于長短時記憶網(wǎng)絡(luò)的太陽能輻射預(yù)測技術(shù)，并在歐洲16個觀測點和美國5個觀測點全球共計21個地點對該技術(shù)進(jìn)行驗證，證明了該技術(shù)的有效性。長短時記憶（LSTM）網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域一種特別適用于時序估計的模型，該模型由于增加了遺忘門、輸入門、輸出門及中間狀態(tài)四種控制信息，可以實現(xiàn)對長短時記憶的自動選擇，提高時序估計性能。Lago等[37]提出基于神經(jīng)元網(wǎng)絡(luò)的短時太陽能輻射預(yù)測技術(shù)，該技術(shù)主要利用衛(wèi)星觀測數(shù)據(jù)和氣象預(yù)報數(shù)據(jù)，以多模式數(shù)據(jù)為輸入，以卷積網(wǎng)絡(luò)為方法，以短時太陽能輻射為輸出，其最大優(yōu)勢是可以實現(xiàn)跨地區(qū)預(yù)測，并在荷蘭25個觀測點驗證了該技術(shù)的有效性。

1.3 土壤水分、植被、湖泊監(jiān)測預(yù)報

地物系統(tǒng)是人工智能領(lǐng)域也是研究熱點，如土壤水分含量預(yù)測、作物森林植被覆蓋預(yù)測等。Panda等[38]早在十多年前就利用衛(wèi)星圖像并基于神經(jīng)元網(wǎng)絡(luò)實現(xiàn)陸地湖泊水質(zhì)估計。Ahmad等[39]最早引入針對衛(wèi)星圖像的支持向量機(jī)技術(shù)，用于土壤水分估計。很多水文相關(guān)的應(yīng)用如干旱、洪澇、灌溉等都需要高分辨率土壤水分?jǐn)?shù)據(jù)，Srivastava等[40]研究了多種機(jī)器學(xué)習(xí)技術(shù)，如神經(jīng)元網(wǎng)絡(luò)、支持向量機(jī)、相關(guān)向量機(jī)、廣義線性模型等在衛(wèi)星土壤水分圖像上的降尺度方法，Ali等[41]也對此類相關(guān)技術(shù)展開了細(xì)致調(diào)研。Xing等[42]利用神經(jīng)元網(wǎng)絡(luò)技術(shù)，隱式獲取衛(wèi)星觀測數(shù)據(jù)與土壤水分之間的高度非線性關(guān)系。Efremova等[43]基于序列到序列最新人工智能技術(shù)，從衛(wèi)星圖像出發(fā)，識別分割出作物及其所在陸地區(qū)域并實現(xiàn)了土壤水分估計。高精度衛(wèi)星圖像作物識別對食物安全等具有重要影響，Kuwata等[44]研究了基于支持向量回歸技術(shù)和深度網(wǎng)絡(luò)技術(shù)的衛(wèi)星圖像作物區(qū)域估計。衛(wèi)星數(shù)據(jù)的重要性不言而喻，但其標(biāo)注數(shù)據(jù)卻少之又少，Xie等[45]利用遷移學(xué)習(xí)技術(shù)，充分利用了多種衛(wèi)星圖像數(shù)據(jù)實現(xiàn)了地物區(qū)域估計[46]。而后You等[47]又提出基于手工特征提取、卷積網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、高斯過程的時空相關(guān)作物估計技術(shù)。手工特征提取根據(jù)人工專家先驗提取判別性特征信息，卷積網(wǎng)絡(luò)從數(shù)據(jù)分布出發(fā)隱式提取模型最具判別性特征，長短時記憶網(wǎng)絡(luò)通過自帶的輸入門、遺忘門、輸出門及中間狀態(tài)實現(xiàn)時域長短的自適應(yīng)選擇，高斯過程可以實現(xiàn)預(yù)估數(shù)據(jù)的平滑。Kussul等[48]、Garnot等[49]也提出基于衛(wèi)星圖像和深度網(wǎng)絡(luò)的陸地作物分類技術(shù)。除作物覆蓋外，森林覆蓋也是地物重要組成部分，Shao等[50]研究了堆疊稀疏編碼器、多步線性回歸、k近鄰、支持向量機(jī)、反向傳播網(wǎng)絡(luò)、隨機(jī)森林等機(jī)器學(xué)習(xí)技術(shù)針對衛(wèi)星數(shù)據(jù)的森林覆蓋及地面生物量估計。Khan等[51]構(gòu)建了一種多尺度網(wǎng)絡(luò)，將森林覆蓋問題轉(zhuǎn)換為機(jī)器學(xué)習(xí)中的區(qū)域分類問題，實現(xiàn)了純數(shù)據(jù)驅(qū)動的區(qū)域表示分類。

2 AI在衛(wèi)星資料環(huán)境質(zhì)量預(yù)報研究進(jìn)展

2.1 空氣質(zhì)量監(jiān)測及預(yù)報

環(huán)境質(zhì)量與人生活息息相關(guān)，基于衛(wèi)星數(shù)據(jù)的空間統(tǒng)計方法研究火熱，與人工智能方法相結(jié)合的環(huán)境質(zhì)量檢測技術(shù)方法也是研究熱點[52-54]。Ma等[55]基于中國國內(nèi)PM2.5監(jiān)控網(wǎng)絡(luò)，提出地理加權(quán)回歸方法（GWR），與衛(wèi)星觀測的氣溶膠光學(xué)厚度數(shù)據(jù)相融合，可以估計每天PM2.5濃度變化。通過交叉驗證實驗表明，多模式氣象要素及地面觀測信息可以極大的提高模型預(yù)測性能。Song等[56]同樣基于地形加權(quán)回歸技術(shù)，可以預(yù)測珠三角地區(qū)PM2.5濃度變化?？紤]到濃度隨時間的變化規(guī)律，Bai等[57]在地理加權(quán)技術(shù)的基礎(chǔ)上提出時域地理加權(quán)技術(shù)（GTWR），基于500 m氣溶膠光學(xué)厚度數(shù)據(jù)可以預(yù)測地面PM2.5濃度。具體來說，GTWR通過氣溶膠反演算法（SARA）預(yù)測氣溶膠厚度（AOD），然后結(jié)合數(shù)值天氣預(yù)報的多模式氣象要素如行星邊界層高度（PBLH），相對濕度，風(fēng)速及溫度等可以實現(xiàn)PM2.5濃度的時空動態(tài)變化預(yù)測。Li等[58]是早期將深度網(wǎng)絡(luò)技術(shù)應(yīng)用到地面PM2.5濃度預(yù)測的機(jī)構(gòu)之一，在主流深度信念網(wǎng)絡(luò)框架下，將地理距離信息和PM2.5時空相關(guān)信息融合起來，可以刻畫隱空間PM2.5關(guān)鍵特征，預(yù)測未來PM2.5濃度信息。Liu等[59]利用衛(wèi)星觀測數(shù)據(jù)，基于隨機(jī)森林方法實現(xiàn)空間0.01°分辨率網(wǎng)格的長時PM2.5濃度預(yù)測，隨機(jī)森林法是機(jī)器學(xué)習(xí)領(lǐng)域常用的一種集成學(xué)習(xí)方法，該方法最大的優(yōu)勢是可以預(yù)測長時間段的PM2.5濃度變化。Shen等[60]提出一種純數(shù)據(jù)驅(qū)動技術(shù)，利用深度網(wǎng)絡(luò)隱式地學(xué)習(xí)PM2.5濃度、衛(wèi)星氣溶膠光學(xué)反射率、觀測角度和氣象要素之間的關(guān)系。Khaefi等[61]基于氣象數(shù)據(jù)、衛(wèi)星圖像和社交媒體圖像多種信息，利用深度網(wǎng)絡(luò)技術(shù)實現(xiàn)了空氣質(zhì)量預(yù)測。由于主流時域地理加權(quán)技術(shù)均采用線性回歸作為基本方法，線性假設(shè)限制了模型表達(dá)能力，為此，Li等[62]在時域地理加權(quán)技術(shù)的基礎(chǔ)上，充分挖掘數(shù)據(jù)的非線性關(guān)系，將線性回歸泛化為深度卷積網(wǎng)絡(luò)，提出時域地理加權(quán)深度網(wǎng)絡(luò)，具有更強(qiáng)的非線性表達(dá)能力，可以預(yù)測0.1°空間分辨率的PM2.5濃度，并提出交叉驗證方法[63]。Sarafian等[64]分別檢驗了高斯馬爾科夫隨機(jī)場模型和線性混合模型對衛(wèi)星數(shù)據(jù)PM2.5濃度預(yù)測的效果，結(jié)果表明高斯馬爾科夫隨機(jī)場模型優(yōu)于線性混合模型。卷積網(wǎng)絡(luò)最早成功的應(yīng)用于計算機(jī)視覺領(lǐng)域，Inception、VGG等模型在物體識別、物體檢測、物體分割領(lǐng)域效果突出，為了驗證該類方法是否能有效解決PM2.5濃度預(yù)測問題，Hong等[65]對此展開研究，并利用衛(wèi)星圖像數(shù)據(jù)、地面觀測數(shù)據(jù)和卷積網(wǎng)絡(luò)技術(shù)，驗證了以上多種新型深度網(wǎng)絡(luò)模型如Inception、VGG等在戶外PM2.5濃度預(yù)測上的效果。

IBM 綠色地平線是基于衛(wèi)星觀測等資料，利用AI技術(shù)實現(xiàn)空氣質(zhì)量監(jiān)測、預(yù)報和防治的典型實踐案例。IBM依托收購全球最大氣象公司之一的TWC公司的相關(guān)業(yè)務(wù)，利用長達(dá)30年跨度的國際氣象數(shù)據(jù)分析及預(yù)報經(jīng)驗，從多個尺度挖掘了大氣復(fù)合污染成因及傳輸規(guī)律。該平臺利用認(rèn)知計算、大數(shù)據(jù)分析以及物聯(lián)網(wǎng)技術(shù)的優(yōu)勢，分析空氣監(jiān)測站和氣象衛(wèi)星傳送的實時數(shù)據(jù)流，憑借自學(xué)習(xí)能力和超級計算處理能力，提供未來 72 h的高精度空氣質(zhì)量預(yù)報，實現(xiàn)對城市地區(qū)的污染物來源和分布狀況的實時監(jiān)測。該平臺是基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)典范，該方法通過模擬人類大腦的神經(jīng)連接結(jié)構(gòu)，將數(shù)據(jù)在原空間的特征表示轉(zhuǎn)換到具有語義特征的新特征空間，從而可以不經(jīng)過人工先驗知識設(shè)計，自動地學(xué)習(xí)得到數(shù)據(jù)的層次化特征表示，提高預(yù)報性能[66]。由IBM研究院研發(fā)的“污染過程多維認(rèn)知案例庫”，可以實現(xiàn)針對全國367個特定城市、20多個維度的歷史污染過程和天氣形勢全自動化認(rèn)知分析，助力專業(yè)管理機(jī)構(gòu)決策。通過同化融合海量歷史數(shù)據(jù)（諸如空氣質(zhì)量、氣象、遙感監(jiān)測等），從污染傳輸、氣象條件、遙感反演等多個維度實現(xiàn)對PM2.5、臭氧等多種污染物的歷史同期污染過程深度對照。

2.2 海洋環(huán)境監(jiān)測及預(yù)報

海洋中洋流[67]、旋渦[68-69]、海面溫度[70-71]對海上作業(yè)具有重要影響。Keating等[72]提出一種隨機(jī)濾波技術(shù)，可以基于衛(wèi)星高度測量數(shù)據(jù)估計海洋漩渦熱量傳遞，且該技術(shù)計算成本低。蔚山國家科學(xué)和技術(shù)研究所是早期采用機(jī)器學(xué)習(xí)技術(shù)和衛(wèi)星數(shù)據(jù)檢測沿海水質(zhì)的機(jī)構(gòu)之一，Kim等[73]利用包括隨機(jī)森林、支持向量回歸等模型技術(shù)，實現(xiàn)了葉綠素和懸浮物濃度監(jiān)測，Lee等[74]利用決策樹、隨機(jī)森林技術(shù)，實現(xiàn)了南極冰川厚度估計。Kim等[75]提出基于深度網(wǎng)絡(luò)的南極海冰密度估計技術(shù)。該方法首先基于貝葉斯多模型融合構(gòu)建集成區(qū)域氣候模式（RCM），該模型由于充分考慮了單個模型的時空變化性，使得集成后的區(qū)域氣候模式可以最小化單個區(qū)域模式的不確定性，并用于生成高分辨率觀測數(shù)據(jù)，然后通過深度神經(jīng)網(wǎng)絡(luò)（DNN）非線性的擬合海冰密度這一要素與各類氣候因子之間的隱式依賴關(guān)系，并估計未來10～20 a海冰密度的變化趨勢。由于該模型以氣象先驗為指導(dǎo)對網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、優(yōu)化算法及激活函數(shù)等對整個模型學(xué)習(xí)過程進(jìn)行優(yōu)化，模型性能提升明顯。Su等[76]基于支持向量機(jī)技術(shù)，利用衛(wèi)星數(shù)據(jù)實現(xiàn)了印度洋海平面表面溫度、高度、鹽度異常監(jiān)測。Wang等[77]基于卷積網(wǎng)絡(luò)和合成孔徑雷達(dá)數(shù)據(jù)實現(xiàn)了地球兩極海冰密度的估計。以合成孔徑雷達(dá)數(shù)據(jù)為輸入，以海冰密度為輸出，在不經(jīng)過任何特征提取或圖像分割技術(shù)的前提下，卷積網(wǎng)絡(luò)可以通過反向傳播按照既定的優(yōu)化目標(biāo)函數(shù)及優(yōu)化方式實現(xiàn)模型自動更新。Savitha等[78]新提出一種最小資源分配網(wǎng)絡(luò)和增長剪枝徑向基網(wǎng)絡(luò)，以序列化的方式實現(xiàn)了海浪高度預(yù)測。Ducournau等[79]采用超分辨率卷積網(wǎng)絡(luò)，實現(xiàn)了衛(wèi)星圖像降尺度，并用于海平面溫度的降尺度估計。Huang等[80]基于卷積網(wǎng)絡(luò)，實現(xiàn)了SAR圖像端到端的海洋漩渦檢測，在無需任何先驗知識的前提下，大大提高了海洋漩渦檢測精度和速度。

3 AI在衛(wèi)星資料基本氣象要素監(jiān)測預(yù)報研究進(jìn)展

3.1 降水預(yù)報

降水是與人生活關(guān)系最密切的氣象要素之一，自Shi等[81]提出基于卷積長短時記憶網(wǎng)絡(luò)（ConvLSTM）的降水技術(shù)以來，Shi等[82]、Hernandez等[83]、Ha等[84]、Cao等[85]、Manandhar等[86]都對此展開深入研究。基于衛(wèi)星數(shù)據(jù)的降雨估計在覆蓋率和時空分辨率上明顯優(yōu)于地面降雨估計，為提高基于衛(wèi)星數(shù)據(jù)的降雨估計精度，Tao等[87]提出一種二階段網(wǎng)絡(luò)技術(shù)，第一階段填充缺失值，第二階段實現(xiàn)點對點精準(zhǔn)降雨估計。第一階段，模型通過堆棧式噪聲自動編碼器實現(xiàn)面積無雨區(qū)域的消除以及有雨區(qū)域的精確描述。第二階段，模型仍然通過堆棧式噪聲自動編碼器在保證扭曲分布的前提下，實現(xiàn)降水精準(zhǔn)估計。隨后，Tao等[88]又在此基礎(chǔ)上引入星載紅外、水汽數(shù)據(jù)，提出多模式卷積網(wǎng)絡(luò)對該方法進(jìn)行改進(jìn)，且驗證試驗表明多模式數(shù)據(jù)尤其是水蒸氣通道數(shù)據(jù)對提高識別有無降雨具有明顯提升作用。

3.2 風(fēng)監(jiān)測預(yù)報

利用機(jī)器學(xué)習(xí)技術(shù)針對衛(wèi)星數(shù)據(jù)的風(fēng)要素估計由來已久，早在20年前，Chen等[89]、Cornford等[90]就開始探索用神經(jīng)元網(wǎng)絡(luò)描述衛(wèi)星散射計與海洋風(fēng)力場之間的反演物理關(guān)系模型。最近，基于機(jī)器學(xué)習(xí)技術(shù)的風(fēng)速估計非常火熱，如Liu等[91]、Wang等[92]、Ghaderi等[93]?；谥髁鳈C(jī)器學(xué)習(xí)方法，Xie等[94]、Feng等[95]、Khodayar等[96]主要探究短時風(fēng)速預(yù)報，Wan等[97]主要探究逐天風(fēng)預(yù)報。此外，Zhang等[98]基于玻爾茲曼機(jī)、Qureshi等[99]基于回歸和遷移學(xué)習(xí)、Hu等[100]基于深度遷移網(wǎng)絡(luò)、Khodayar等[101]基于深度生成網(wǎng)絡(luò)、Qu等[102]基于長短時記憶網(wǎng)絡(luò)等均取得了一定進(jìn)展。Cardona等[103]最近基于主流卷積網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)，實現(xiàn)了對自然場景拍攝圖像0.75～11 m/s的風(fēng)速估計。該方法首先通過耦合式卷積神經(jīng)網(wǎng)絡(luò)提取圖像的隱式判別式特征，而正如風(fēng)在自然界中是一個連續(xù)的過程一樣，該方法隨后通過遞歸神經(jīng)網(wǎng)絡(luò)實現(xiàn)風(fēng)速變化趨勢的擬合，進(jìn)而通過特征分類器實現(xiàn)當(dāng)前時段的風(fēng)速估計。該成果2019年發(fā)表于機(jī)器學(xué)習(xí)及人工智能領(lǐng)域的頂級會議——“神經(jīng)系統(tǒng)信息處理研討會”，是較為前瞻的AI在氣象領(lǐng)域的先進(jìn)算法。

3.3 溫度監(jiān)測預(yù)報

Wu等[104]最近使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了靜止衛(wèi)星反演路面溫度數(shù)據(jù)，提出多尺度特征聚合卷積神經(jīng)網(wǎng)絡(luò)，不同于傳統(tǒng)方法只能實現(xiàn)小片區(qū)域的溫度補(bǔ)全，MSFC-CNN可以通過卷積網(wǎng)絡(luò)高度復(fù)雜的非線性特征實現(xiàn)對大片區(qū)域的溫度補(bǔ)全。Singh等[105]則采用多線性回歸、多層感知器和自適應(yīng)神經(jīng)模糊推理系統(tǒng)技術(shù)實現(xiàn)了多深度土壤溫度預(yù)報模型。Hendee等[106]研發(fā)珊瑚礁預(yù)警系統(tǒng)網(wǎng)絡(luò)，應(yīng)用NOAA衛(wèi)星海洋表面溫度產(chǎn)品和人工智能分析軟件實現(xiàn)了實時監(jiān)測珊瑚表面溫度。Shiguemori等[107]應(yīng)用神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)了衛(wèi)星資料反演大氣溫度，通過輻射傳輸方程直接刻畫衛(wèi)星數(shù)據(jù)特征，為神經(jīng)網(wǎng)絡(luò)模型提供訓(xùn)練數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)模型選擇人工智能領(lǐng)域經(jīng)典的徑向基函數(shù)網(wǎng)絡(luò)，并以數(shù)據(jù)為基礎(chǔ)通過反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)。Shiguemori等[108]改進(jìn)了神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)對垂直溫度場的反演，并與HIRS/2高分辨率紅外輻射探測儀的真實輻射數(shù)據(jù)以及無線電探空儀測量的溫度剖面相比較，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型反演結(jié)果與溫度垂直探測結(jié)果非常接近。

4 AI在衛(wèi)星資料高影響性天氣監(jiān)測預(yù)報研究進(jìn)展

4.1 冰雹監(jiān)測預(yù)報

各種自然災(zāi)害如冰雹等對工業(yè)、農(nóng)業(yè)破壞性強(qiáng)，因此與之相關(guān)預(yù)警研究具有重要意義。Pullman等[109]研究了基于衛(wèi)星圖像的冰雹檢測、預(yù)警新技術(shù)，該技術(shù)以主流深度學(xué)習(xí)網(wǎng)絡(luò)為框架，并通過2006—2016年的觀測數(shù)據(jù)驗證了該技術(shù)的有效性。此外，Czernecki等[110]通過隨機(jī)森林方法也實現(xiàn)了對冰雹災(zāi)害的精準(zhǔn)估計。由于多數(shù)人工智能方法均基于數(shù)據(jù)驅(qū)動，研究者首先從數(shù)據(jù)多樣性出發(fā)，融合了雷達(dá)反射率數(shù)據(jù)、閃電探測數(shù)據(jù)以及ERA5再分析對流指數(shù)數(shù)據(jù)等，極大地提高了模型的魯棒性，并降低了誤報率。Burke等[111]主要研究了如何通過機(jī)器學(xué)習(xí)方法對模式預(yù)報結(jié)果進(jìn)行相關(guān)后處理，提高冰雹預(yù)測精度。同前述文獻(xiàn)一樣，該方法同樣基于多源數(shù)據(jù)融合及隨機(jī)森林模型提高模型預(yù)報精度和魯棒性，不同之處在于該方法基于模式預(yù)報后的數(shù)據(jù)后處理，即冰雹最大期望范圍。

4.2 強(qiáng)風(fēng)監(jiān)測預(yù)報

大風(fēng)天氣影響強(qiáng)、范圍廣，每年大風(fēng)都會造成巨大的生命財產(chǎn)損失，對臺風(fēng)、風(fēng)暴等大風(fēng)信息預(yù)警具有實用價值。Kovordanyi等[112]較早開展了基于神經(jīng)元網(wǎng)絡(luò)并針對衛(wèi)星數(shù)據(jù)的氣旋風(fēng)的跟蹤預(yù)報，通過模擬人腦機(jī)制的多層神經(jīng)元網(wǎng)絡(luò)實現(xiàn)的氣旋風(fēng)跟蹤估計方法在測試集的方向準(zhǔn)確率達(dá)98%，并且該研究指出，除衛(wèi)星圖像外，風(fēng)速、水溫、相對濕度、氣壓等額外氣象要素可以有效提高預(yù)報精度。Qiu等[113]基于模糊集合理論、支持向量機(jī)技術(shù)及閃電預(yù)警信息，提出風(fēng)暴預(yù)警技術(shù)。Zhang等[114]基于衛(wèi)星圖像序列，根據(jù)當(dāng)前和歷史衛(wèi)星圖像，以氣象知識為先驗，通過卷積網(wǎng)絡(luò)提取與最具判別性的視覺特征，通過計算云的局部運動信息實現(xiàn)了短時大風(fēng)預(yù)報。Hong等[115]在衛(wèi)星圖像基礎(chǔ)上，提出一種新型專用于臺風(fēng)中心跟蹤的卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)用于提取臺風(fēng)中心顯著判別特征，線性回歸模型實現(xiàn)臺風(fēng)中心預(yù)測。Ruttgers等[116]利用最新生成對抗網(wǎng)絡(luò)技術(shù)，實現(xiàn)了針對遙感衛(wèi)星數(shù)據(jù)對臺風(fēng)未來6 h軌跡跟蹤，該技術(shù)在80 km誤差范圍內(nèi)準(zhǔn)確率為42.4%，120 km誤差范圍的準(zhǔn)確率為74.5%。生成對抗網(wǎng)絡(luò)是近年來較為火熱的AI技術(shù)之一，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不同，該網(wǎng)絡(luò)分為兩部分，第一部分為生成器，用于對任意的輸入生成目標(biāo)輸出；第二部分為判別器，用于判斷對任意的輸入是否為真實數(shù)據(jù)。生成器和判別器的訓(xùn)練過程是一個博弈的過程，當(dāng)二者達(dá)到納什平衡時，模型的輸出趨于穩(wěn)定，模型的輸出也即期望輸出。此外，Jiang等[117]、Gao等[118]也對海上臺風(fēng)預(yù)測的相關(guān)機(jī)器學(xué)習(xí)技術(shù)展開研究。

4.3 強(qiáng)對流洪澇監(jiān)測預(yù)報

對流云的產(chǎn)生通常會伴隨著強(qiáng)降雨、風(fēng)暴等，而對大數(shù)據(jù)環(huán)境下的強(qiáng)天氣檢測面臨巨大挑戰(zhàn)，當(dāng)前主流研究方法大多基于相關(guān)物理變量而由專家先驗知識定義的閾值，實現(xiàn)強(qiáng)天氣精確仍是研究難點，因此，相關(guān)研究對降低災(zāi)害具有重要意義。Han等[119]在決策樹、隨機(jī)森林、支持向量機(jī)等機(jī)器學(xué)習(xí)技術(shù)的基礎(chǔ)上，利用各種氣象、衛(wèi)星數(shù)據(jù)，可以實現(xiàn)檢測強(qiáng)對流的形成過程。Liu等[120]實現(xiàn)了基于卷積網(wǎng)絡(luò)的強(qiáng)天氣檢測作為氣象領(lǐng)域強(qiáng)天氣檢測的一種輔助，是全球首次采用深度學(xué)習(xí)方法用于強(qiáng)天氣檢測，但從機(jī)器學(xué)習(xí)角度來看這只是深度學(xué)習(xí)技術(shù)的一次跨領(lǐng)域嘗試。盡管該方法對輔助強(qiáng)天氣檢測提供了有效幫助，但該方法需要大量標(biāo)注數(shù)據(jù)，而實際過程中，強(qiáng)天氣有多種不同表現(xiàn)形式，如颶風(fēng)、溫帶氣旋等，實現(xiàn)完全標(biāo)記需要耗費大量人力物力財力。為此，Racah等[121]提出基于半監(jiān)督時空自動編碼器的強(qiáng)天氣檢測方法，通過多通道時空編碼-解碼器刻畫數(shù)據(jù)特征，用于擬合多通道數(shù)據(jù)、時域變換數(shù)據(jù)以及無標(biāo)記數(shù)據(jù)的重構(gòu)，實現(xiàn)判別式特征提取，從而實現(xiàn)強(qiáng)天氣現(xiàn)象檢測。Zhu等[122]實現(xiàn)了基于主流GoogleNet的強(qiáng)天氣識別。此外，強(qiáng)天氣的出現(xiàn)可能引發(fā)諸多災(zāi)害，Zhou等[123]提出基于卷積網(wǎng)絡(luò)的對流天氣識別，Zhang等[124]提出基于雙流全卷積網(wǎng)絡(luò)的對流云提取，Bischke等[125]、Biffis等[126]等都提出基于深度網(wǎng)絡(luò)和遙感圖像的強(qiáng)對流洪澇檢測技術(shù)。

4.4 雷電監(jiān)測預(yù)報

雷電對日常生活影響大、損失嚴(yán)重，當(dāng)前主流基于衛(wèi)星數(shù)據(jù)的閃電預(yù)測方法都基于不同光譜通道的亮溫觀測，一旦該觀測達(dá)到某一設(shè)定閾值，即推送閃電預(yù)警。Johari等[127]是早期研究基于AI技術(shù)閃電預(yù)警的研究機(jī)構(gòu)之一，根據(jù)歷史觀測數(shù)據(jù)和各類氣象數(shù)據(jù)，該方法設(shè)計了一組簡單的神經(jīng)元網(wǎng)絡(luò)，僅包含兩層卷積，通過反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)，該模型可以實現(xiàn)提前4 h的閃電預(yù)警。Booysens等[128]利用衛(wèi)星時序數(shù)據(jù)，研究了K-means方法、決策樹方法、樸素貝葉斯方法在閃電檢測和預(yù)警方面的效果。Schon等[129]最近提出多種基于決策樹技術(shù)和神經(jīng)元網(wǎng)絡(luò)技術(shù)的衛(wèi)星圖像雷電預(yù)警技術(shù)，是近年來較為先進(jìn)的人工智能方法。該技術(shù)核心是將衛(wèi)星圖像的二維光流誤差信息作為決策樹、神經(jīng)元網(wǎng)絡(luò)的輸入，并且認(rèn)為光流誤差是形成閃電對流的主要影響因子，以此為卷積網(wǎng)絡(luò)的輸入，該技術(shù)實現(xiàn)了未來15 min雷電精準(zhǔn)預(yù)警，預(yù)警準(zhǔn)確率高達(dá)96%，且未來5 h雷電預(yù)警準(zhǔn)確率達(dá)到83%。

4.5 火點監(jiān)測預(yù)報

森林覆蓋在生態(tài)中存在的最大隱患就是火點[130-132]，森林火點容易造成大量的經(jīng)濟(jì)損失和人員傷亡。森林火險預(yù)警的一大難題就是如何在有限計算量的前提下，擬合火勢擴(kuò)散的動態(tài)趨勢，這一過程本身可以視作一種馬爾科夫決策過程，而這一過程的主體是火點位置，動作集是火點可能擴(kuò)散方向，即東西南北四個方位，回報函數(shù)是該方法最終是否預(yù)測火點正確。在此框架下，Subramanian等[133]基于最新強(qiáng)化學(xué)習(xí)技術(shù)，分別通過值迭代法和策略搜索中的異步優(yōu)勢評論算法，實現(xiàn)了森林火點的動態(tài)變化估計。Lee等[134]、Zhao等[135]也提出此類基于深度學(xué)習(xí)的森林火點檢測技術(shù)。

5 展望

盡管AI技術(shù)具有極其廣泛的應(yīng)用前景，但該類研究離實際落地應(yīng)用還有一定差距，人工智能在氣象資料的應(yīng)用領(lǐng)域面臨著巨大挑戰(zhàn)，主要體現(xiàn)在以下三方面。第一，數(shù)據(jù)完善及可靠性。AI技術(shù)是數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)機(jī)制，其發(fā)展離不開大量人工標(biāo)記數(shù)據(jù)的支撐，大量氣象觀測站及氣象衛(wèi)星資料提供了海量數(shù)據(jù)，但受限于觀測手段等各種因素影響，收集到的數(shù)據(jù)可能存在缺陷，這會給人工智能算法的學(xué)習(xí)帶來一定挑戰(zhàn)。第二，平臺可拓展及共生性。傳統(tǒng)氣象領(lǐng)域與當(dāng)前人工智能領(lǐng)域在技術(shù)實現(xiàn)上存在一定差異，氣象領(lǐng)域多數(shù)基于大量領(lǐng)域內(nèi)的專家知識先驗，而AI技術(shù)不以先驗為前提，傾向于突出算法模型的自適應(yīng)能力，因此，如何實現(xiàn)現(xiàn)有氣象平臺的可拓展性以及如何實現(xiàn)人工智能技術(shù)與現(xiàn)有氣象平臺的對接也給AI在氣象領(lǐng)域的應(yīng)用帶來巨大困難。第三，技術(shù)落地應(yīng)用。一種先進(jìn)方法的落地應(yīng)用離不開前期基礎(chǔ)積累、中期技術(shù)升級以及后期性能檢驗三步流程，為此，需要大量后期性能檢驗，驗證方法技術(shù)的有效性，這需要耗費大量的人力、物力、財力，給AI在氣象領(lǐng)域的應(yīng)用帶來了挑戰(zhàn)。