2024年气象人工智能技术与应用报告.pptx

气象人工智能技术与应用

罗勇夏馨施文廖舟怡马子起黄建斌黄小猛;

人工智能的发展;

大数据与人工智能应对全球变化研究呈爆发性增长，有力促进了地球系统的机理、模拟和预测研究，

人工智能与数值预报的融合成为热点和难点;

人工智能如何创新研究范式？;

气象人工智能技术

应用人工智能的原理和方法，包括但不限于机器学习、深度学习、数据挖掘和自然语言处理等，对气象数据进行高效处理、分析和解释的技术。

这些技术在气象领域的应用越来越广泛，已经成为提升气象服务水平的重要手段。;

AI气象大模型的发展;

智能气候预测的理念与案例

基于机器学习方法的中国降水预测

基于中尺度气象同化预报和深度学习的风速预报

光伏电站太阳辐射超短期预报

基于深度学习的北极地区格点化地表气温重建

气象人工智能未来发展思考;

智能气候预测的理念与案例

基于机器学习方法的中国降水预测

基于中尺度气象同化预报和深度学习的风速预报

光伏电站太阳辐射超短期预报

基于深度学习的北极地区格点化地表气温重建

气象人工智能未来发展思考;

什么是智能气候预测？

将人工智能算法与气候预测相结合，构建智能气候预测技术体系，即以

大数据应用为前提，在通过机器学习和常规方法进行客观定量预测的基础上进行智能评估，继而动态推荐预测结果。

随着大数据和人工智能的发展，海量数据深度学习、复杂神经网络等逐步应用，人工智能为气候预测提供了一种解决难题的新思路。

可以用人工智能算法把超级计算机的预报结果尽可能地、自动地、不用人工干预地修正到与实际观测数据更接近，以促进延伸期-月-次季节-季气候预测能力和准确率逐步提高。;

模型以数值模式回算资料的季节环流预测作为输入，以对应的降水预测作为输出，训练模型学习环流与同期降水之间的非线性关系；

利用观测资料对模型进行迁移学习，进一步调整网络参数。

实际预测时，利用高质量的多模式集合季节环流预测场输入模型，预测季节降水。;

探索思路：射击问题与巡航导弹;

1.建立夏季降水的深度学习预测模型

通过监督学习/无监督学习的思路，将卷积神经网络等深度学习方法应用在夏季降水的季节预测中，通过观测资料和动力模式数据（季节模式，CMIP6）建立基于模式季节预测结果和前期观测信息的汛期降水预测模型，对汛期降水距平百分率空间分布场进行预测，以期提高汛期降水预测准确率。

2.前兆信号和影响机理的识别

由于深度学习可以处理多维数据，具有自动提取特征的功能。可以利用可解释性深度学习的部分方案，评估深度学习模型的预测机理。目的在发现新的影响因子和预报关系，评估不同因子对夏季降水的影响大小，分析汛期降水的影响机制。

3.模式误差来源的分析和评估

使用深度学习模型订正模式数据；通过分析模式回算数据与观测或再分析资料所构建模型的差异，评估模式对不同物理过程的模拟能力；或通过深度学习模型分析模式汛期降水预测误差的主要来源。

12;

1月-启动分析研判工作

2月-3月-召开汛期全国气候趋势预测会商会；3月23日起，中国气象局首次面向公众发布气候预测信息

4月-中国气象局举行新闻发布会，发布全国汛期气候趋势预测结果

5月-召开汛期气候趋势预测滚动订正

6月-召开汛期气候趋势预测第二次滚动订正

9月-汛期全国气候趋势预测检验评估;

2021年汛期降水趋势预测;

受季风、地形等影响，我国汛期（6-8月）总

雨量占全年降水量比例大，且区域差异和年际年代际变化明显。

汛期降水与国民经济和人民生活密切相关，是我国短期气候预测的主要任务。;

“东南西北中”这五大因素可以概括影响东亚季风的主要热力、动力条件，即大气环流和下垫面热状况。;

汛期降水数值模式预测技巧;

动力-统计模型汛期降水预测;

深度学习：学习数据表示的多级方法。

深度学习是机器学习的一个分支领域，是从数据中学习表示的一种新方法，强调从连续的层（layer）中进行学习，这些层对应于越来越有意义的表示。“深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层。;

y=f(z)通过激活函数模

拟非线性关系

通过反向传播训练神经网络参数，找到更优的参数组合;

季节预测仍然是重大挑战，特别是中纬度降水预测

能力仍然较低，因此中国汛期降水预测仍然是重大挑战，而深度学习可能带来新的提