聯系方式 Contact

南京天氣在線氣象科技有限責任公司

地址:北京市海淀區海淀西大街36號9層

電話:010-58995339

手機:18611808504

傳真:010-58995339

網址:www.szad-expo.com

搜索 Search
你的位置:首頁 > 新聞動態 > 智慧氣象

人工智能在氣候預測領域應用初探(二)

 2024-02-07 10:46:39  點擊:

轉載于領略氣象

劉冠州,唐偉

5.氣候預測

5.1遙相關預測

Chattopadhyay等人2013年提出了一種基于自組織映射(Self-Organizing Map,SOM)算法的非線性聚類技術,用于識別馬登-朱利安振蕩(Madden Julian Oscillation, MJO)在其生命周期中的水平和垂直結構。MJOSOM描述不需要季節內帶通濾波或主導模式的選擇。SOM基于所選變量的狀態相似性來定義MJO階段。由SOM定義的給定MJO階段的降雨相關變量的空間模式不同于其他階段的模式。與其他MJO診斷方法相比,SOM具有其獨特的特征,是提取MJO信號的可靠且有用的工具。

整個熱帶地區的地表溫度變化表現出不同程度的空間一致性,然而這種一致性還沒有得到很好的描述。大面積地理區域同時出現的多年高溫異常有可能對糧食生產和社會發展產生不利影響。Yang等人2019年通過對過去六十年廣泛溫度測量之間的相關性進行聚類分析,發現70年代后期發生了重大變化。兩個空間集群合并為一個主導的空間集群,因此,大多數熱帶陸地區域同時經歷較暖的年份,確定了與太平洋年代際濤動(Pacific Decadal Oscillation ,PDO)的陸地熱帶聯系。

Liess等人2017年提出沃克環流與北半球極地地區的溫帶波有關,在北半球冬季,這些波從中亞向東南傳播到西太平洋暖池。波動模式類似于東大西洋-西俄羅斯模式,并影響厄爾尼諾-南方濤動(El NiñoSouthern Oscillation ,ENSO)區域。西西伯利亞平原和ENSO兩個活動中心之間的三極模式表明,ENSO相對于全球海平面氣壓(Sea Level Pressure ,SLP)的背景狀態與西西伯利亞平原有顯著的負相關。由ENSO的兩個作用中心的總和定義的與背景狀態的相關性高于單獨與任一ENSO中心的每一個成對相關性。這些中心由檢測具有相似特征區域的聚類算法來定義。

厄爾尼諾/南方濤動(ENSO)的變化與一系列區域極端氣候和生態系統影響有關。因此,穩健的長期預測對于管理政策反應將是有價值的。但是,盡管經過幾十年的努力,提前一年以上預測ENSO事件仍然是個問題。Ham等人2019年研究表明,采用深度學習方法的統計預測模型可以在長達一年半的時間內產生熟練的ENSO預測。為了避開有限數量的觀察數據,該研究首先在歷史模擬上使用遷移學習來訓練卷積神經網絡(Convolutional Neural Network ,CNN),隨后重新分析1871-1973年。在1984年至2017年的驗證期間,CNN模型的Nino3.4指數的全季節相關技能遠遠高于當前最先進的動力預報系統。CNN模式在預測海面溫度的詳細帶狀分布方面也更好,克服了動力預測模式的弱點。熱圖分析表明,CNN模型使用物理上合理的前兆來預測ENSO事件。因此,CNN模型是預測ENSO事件和分析其相關復雜機制的有力工具。

5.2極端氣候預測

在大型數據集中檢測極端事件是氣候科學研究中的一個主要挑戰。當前極端事件檢測算法建立在人類根據相關物理變量的主觀閾值定義事件的專業知識之上。通常,多種相互競爭的方法會在同一數據集上產生非常不同的結果。氣候模擬和觀測數據中極端事件的準確描述對于理解氣候變化內容中此類事件的趨勢和潛在影響至關重要。Liu等人2016年首次將深度學習技術應用于氣候極端事件檢測。深度神經網絡能夠從標記的數據中學習一大類模式的高級表示。在這項工作中,我們開發了深度卷積神經網絡(CNN)分類系統,并證明了深度學習技術在處理氣候模式檢測問題中的有效性。結合基于貝葉斯的超參數優化方案,深度CNN系統在檢測極端事件方面達到了89%-99%的準確度。

對未來干旱的預測是評估干旱事件對重要水資源、農業、生態系統和水文的不利后果的有效緩解工具。使用機器學習算法的數據驅動模型預測是實現這些目的的有希望的原則,因為它們需要較少的開發時間、最少的輸入,并且比動態或物理模型相對簡單。Deo Sahin2015年使用1957-2008年訓練的輸入數據和2009-2011年期間預測的月度干旱指數,驗證了一種計算簡單、快速和有效的非線性深度學習算法,稱為極限學習機(Extreme Learning Machine ,ELM),用于預測澳大利亞東部的有效干旱指數。預測指標證明了ELM在所有測試點優于ANN模型的性能。此外,ELM模型的學習速度比ANN模型快32倍,訓練速度比ANN模型快6.1倍。ELM模型對干旱持續時間和嚴重程度的預測能力得到了提高,所以ELM是預測干旱及其相關特性的更快捷的工具。

降水不足引發的干旱受溫度和蒸發蒸騰等各種環境因素的影響,導致缺水和作物歉收問題。在Park等人2016年的研究中,來自中分辨率成像光譜儀和熱帶降雨測量衛星傳感器的16個基于遙感的干旱因素被用于監測美國不同氣候區域 2000-2012 年生長季節的氣象和農業干旱,時間尺度為112個月的標準化降水指數和作物產量數據分別用作氣象和農業干旱的參考數據。通過隨機森林、增強回歸樹等機器學習方法對16個基于遙感的干旱因素與現場參考數據之間的關系進行建模,這些方法在許多回歸任務中被證明是穩健和靈活的。結果表明,隨機森林產生了最好的性能用于標準化降水指數預測。

Belayneh等人2016年探討了耦合機器學習模型和集成技術預測埃塞俄比亞阿瓦什河流域干旱狀況的能力,探索了小波變換與自舉和增強集成技術開發可靠的人工神經網絡和支持向量回歸模型用于干旱預測的潛力。小波分析被證明可以改善干旱預測并改善所有模型的預測結果。

5.3中國區域氣候預測應用

夏季降水的季節預報對減少區域性災害至關重要,但目前預報水平較低。Wang等人2021年基于中國科學院靈活全球海洋-大氣-陸地系統有限體積2代版本模式(Flexible Global Ocean-Atmosphere-Land System Model finite volume version 2,FGOALS-f2)動力預報模式的環流場,開發了一種動力和機器學習混合(Dynamical and Machine Learning hybrid,MLD)的中國夏季降水季節預報方法。通過為三種機器學習方法選擇最佳超參數以獲得最佳擬合和最小過擬合,隨機森林和梯度增強回歸樹方法的集合均值顯示出以異常相關系數衡量的最高預測能力。該技能在歷史交叉驗證期(1981-2010)的平均值為0.34,在獨立預測的10年期(2011-2020)的平均值為0.20,顯著提高了400%的動態預測能力。減少過擬合和使用最佳動態預測在MLD方法的應用中都很重要,對這些方法的深入分析值得進一步研究。

與我國旱澇災害密切相關的降水變化,每年影響著數十億人。然而,比天氣預報難度更大的次季節預報在很長一段時間內仍是氣象服務的一個空白領域。為了提高中國降水的次季節預測精度,Wang等人2021年引入了機器學習方法,提前2-6周對中國降水進行預測,使用一種稱為局部線性回歸的非線性回歸模型和多任務特征選擇(Local Linear Regression together with Multitask Feature Selection ,MultiLLR)模型,選擇21個氣象要素作為候選預報因子來整合不同的氣象觀測數據。該方法通過多任務特征選擇過程,自動剔除無關預測因子,建立預測方程。該方法可為中國降水的次季節預測提供有效的指導。通過在MultiLLR模型中加入另外三個因子,即北極濤動指數、西北太平洋季風指數和西北太平洋副熱帶高壓指數,發現北極濤動能指數最大程度地提高對中國降水的預報能力,其次是西北太平洋副熱帶高壓指數。此外,該模式和美國國家環境預報中心CFSv2模式的集合可以將CFSv2對中國降水的次季節預報技術提高近40%。這一工作表明,MultiLLR模式將有助于我國次季節降水的預測。

長江流域的中下游是中國人口最稠密的地區之一,洪水頻繁。He等人2021年采用預測因子重要性分析模型對預測因子進行分類和篩選,并采用五種方法(多元線性回歸(Multiple Linear Regression,MLR)、決策樹(Decision Tree,DT)、隨機森林(Random Forest,RF)、反向傳播神經網絡(Back Propagation Neural Network,BPNN)和卷積神經網絡(CNN))對長江流域中下游夏季降水的年際變化進行預測。八個氣候模型的預測被用于比較。在五種測試方法中,RF顯示出最好的預測能力。當從冬季開始預測時,RF、DT和氣候模型都顯示出比早春更高的預測技能,并且RF、DTMLR方法都顯示出比數值氣候模型更好的預測技能。缺乏訓練數據是限制機器學習方法性能的一個因素。未來的研究應該使用深度學習方法,充分利用海洋、陸地、海冰和其他因素的潛力,進行更準確的氣候預測。

Fan等人2023年使用基于深度學習的堆疊式自動編碼器進行非線性降尺度,以在早期壓縮氣候變量的自由度。研究從中國東部四個地區的夏季降水中提取氣候因子特征,從中識別出影響各地區夏季降水的關鍵氣候因子。在此基礎上,采用包括機器學習方法中的隨機森林在內的多種回歸方法,構建各區域關鍵氣候預測因子的預測模型。通過模型參數對預測結果的敏感性試驗,確定了最佳模型參數。幾年的預報表明,該方法對中國東部降水的預報有很高的技巧,特別是在中國南方。結果表明,該模型在區域預測中的異常一致性優于主流模式。與主流模式相比,華南地區的預測結果可提高10%以上。該方法在中國東部夏季降水預測中具有良好的應用前景。

盡管近年來取得了重大進展,但中國季節性降水的預報技術仍然有限。Jin等人2022年開發了一個基于深度學習的中國季節性降水統計預測模型。使用同期大氣環流數據對模型進行訓練,以學習季節性降水的分布。首先,用幾個大氣環流模型(GCM)的回報結果對其進行了預訓練,對測試集的評估表明,預訓練的模型基本上可以再現GCM預測的降水,其異常模式相關系數(Pattern Correlation Coefficients,PCCs)大于0.80。然后,利用ECMWF再分析資料(ECMWF Reanalysis v5,ERA5)資料和中國區域網格降水觀測資料進行遷移學習,進一步修正模型中的系統誤差。結果表明,以再分析得到的大氣環流場作為輸入,該混合模式對中國的季節降水模擬效果較好,PCC達到0.71。此外,還評估了使用GCMs預測的環流場作為輸入的結果?偟膩碚f,與原始的GCM輸出相比,建議的模型在1-4個月的時間內將中國的PCC提高了0.10-0.13。這種深度學習模型在過去兩年中已被中國氣象局國家氣候中心用于為中國夏季降水預測提供指導,并且表現非常好。

6.結語

隨著人工智能的蓬勃發展,機器學習等關鍵技術領域都取得了長足的進步。通過人工智能強大的學習和計算能力,對不同的氣候數據類型使用最為匹配的算法,捕捉氣候大數據的潛在特征,通過人工智能模型訓練獲得最佳的預測結果,通過上文的梳理可以發現國內外的大量專家學者都已取得顯著的研究進展。

但目前人工智能氣候預測的準確率、穩定性、預測產品多樣化與精細化需求等方面還需進一步的提高。第一,需要與更多的氣候模式產品相結合,比如區域氣候模式產品和大氣環流模式產品等,進一步提高人工智能氣候預測產品的時空分辨率,進而提升氣候遙相關、極端氣候、集合預報等氣候預測產品的質量。第二,需要在氣候預測中引入隨著人工智能技術發展而更為成熟、先進的深度學習方法,進一步拓寬升級人工智能氣候預測的技術數字工具箱,提高氣候預測的準確性。

總的來說,人工智能在氣候預測領域大有可為,應將人工智能充分融入氣候預測,進一步提升氣候預測技術和能力,以幫助人類更好地應對日益復雜的區域、全球的氣候變化和極端氣候事件。

(本文推送前略有修改)

END

—————————————————————————————————

來源 |中國信息化,2023,(10):29-35

作者單位 | 中國氣象局氣象發展與規劃院

編輯 | 馮裕健


久久福利精品福利资源伊人精品