深度学习在气象领域的应用课程的建设方案.docx

深度学习在气象领域的应用课程的建设方案

穆斌马少阳袁时金林冰轩杨丹

摘要：作者针对深度学习和气象领域两个学科的特点，结合当下前沿的深度学习方法和气候领域热点问题，基于ENSO案例，点面结合，组织并讲授两个学科间的知识体系和具体应用实例。本文从课堂授课内容、实践环节、论文阅读三个方面对这门课程的建设方案进行了全面阐述。

中图分类号：G434?文献标识码：A?论文编号：1674-2117（2019）20-0093-05

在此学科交叉背景下，开展基于深度学习的气象领域应用类课程，具有相当的实用性和前瞻性，据了解，当前国内并没有高校开设同类课程，此类结合尚属首创。以下笔者将从课堂授课内容、实践环节、论文阅读三个方面总结针对此课程的建设方案和经验。

课堂授课内容

1.ENSO现象

2.数据集构建与预处理

在本专题中，教师会基于ENSO事件的特性，逐步介绍数据挖掘和预处理的基本知识。主要涉及的知识点有时序数据准备、特征工程方法、数据归一化（normalization）、数据平稳化（stationary）、数据可视化等。

3.基于深度学习的时空序列预测方法

将深度学习成功应用于气象领域的关键在于构建合适的预测模型，而其背后的逻辑在于充分挖掘已构建数据集中的时空特性，学习到数据间的内在表示，从而得到理想的预测效果。具体而言，深度神经网络是一种典型的非线性系统，而ENSO是一个具有非线性特征的气候现象，理论上来说，只要数据集足够充分，神经网络结构合理，深度神经网络能通过挖掘数据间潜在关系，学习到ENSO目前还未被揭示的动力学机制，进而对ENSO进行准确预测。Shi等[4]系统总结了机器学习方法在时空序列预测问题中的应用，具体到深度学习领域而言，时空序列预测中的相关问题，如视频生成、短临降雨、交通速度预测等方面，都可以运用深度学习的方法取得优异的效果，并因此衍生出一系列针对特别问题的相关网络结构，如卷积长短时记忆网络（ConvolutionalLongShort-TermMemory，ConvLSTM）[5]等，都是深度学习于时空序列预测具体问题的成功应用。就ENSO事件而言，已有一些学者将深度学习方法应用于ENSO相关指数数据的时序预测（如Nio3.4指数[6]等），这些工作都为该专题的展开提供了良好的参考价值，本部分的讲授也主要基于这些最前沿的工作展开。

本专题的主要知识点包括深度学习及其训练过程、随机梯度下降法（stochasticgradientdescent）、损失函数（lossfunction）、深度卷积神经网络（ConvolutionalNeuralNetworks，CNN）、长短时记忆神经网络（LongShort-TermMemory，LSTM）、卷积长短时记忆神经网络（ConvolutionalLongShort-TermMemory，ConvLSTM）等。

4.模型评价标准及与主流气候模式的对比

对于气象领域而言，预测结果仅仅从单一的数值上的接近（如最小化均方根误差）并不一定能表示很好的效果。实验结果分析应该是多方面的，需要结合Nio指数的实际发展和SST的实际模态来进行进一步判断。而从机器学习的角度而言，由于训练的目标函数就是最小化损失值，所以现行的评判标准也多为均方根误差的最小化。针对ENSO预测的评判基准（benchmark）的选定，也是在教学过程中需要传递和启发学生的关键内容，不能仅通过单一的评价指标来判断结果的好坏。在实现模型并得到预测结果后，需要进一步引导学生将结果与当前主流的气候模式结果进行比较和分析，传授比较研究的基本方法，帮助学生进一步完成更全面的实验报告。

本专题的主要知识点包括MSE（meansquarederror）指标的问题、SSIM（structuralsimilarity）算法、召回率（recall）和精度（precise）、ROC曲线等。

通过课堂内容的学习，学生可以了解到深度学习方法在典型气象事件中的应用过程和前沿技术，但深度学习本身是一门应用性极强的课程，因此课程中的实践环节尤为重要。在实践环节中，主要基于上述课堂讲授内容的四部分——问题、数据、模型、评价，来设计实践内容，该过程就是一次对深度学习方法应用于气象領域的完整实践。

由于气象领域的特殊性，深入了解其中的某个问题往往需要很强的专业背景，考虑到学生的知识背景多为软件工程，缺乏气象领域的相关知识。如果由学生自主选择问题，很可能探索得到的结果并不深入，课程本身也很难形成统一的评估标准。所以，笔者定义好了ENSO预测问题（并在授课部分重点介绍该内容），同时提供可供参考的数据集和模型（图3为一份实践框架图），学生可以参考该思路开展学习和模型实现。深度学习应用是一种实践工作，特征选择、模型构建、参数调