2024年气象人工智能技术与应用报告

气象人工智能技术与应用气候-水-能源研究组Climate-Water-Energy Research Group罗勇夏 馨施 文廖舟怡马子起黄建斌黄小猛2人工智能的发展符号AI专家系统规则系统第一代第二代第三代John McCarthyMarvin MinskyClaude ShannonNathaniel RochesterAllen NewellHerbert A. SimonArthur SamuelOliver SelfridgeRay SolomonoffTrenchard More1956 Dartmouth ConferenceThe pioneers of AI1956达特茅斯会议AI先驱者感知智能大数据驱动的统计学习方法初步实现了针对文本、图像、语音等感知与识别Geoffrey HintonYann LeCun认知智能张钹院士2016年提出第三代人工智能雏形，DARPA 2018年发布AINext计划。核心要素是数据、知识、算法和算力。Ilya Sutskever姚期智Yoshua BengioNoam Chomsky Edward FeigenbaumRobert Mercer通过对巨量数据的建模和处理，实现对多模态信息的理解、推理、规划、执行，实现复杂的高阶认知任务大数据与人工智能正在引发一场深刻的地球科学研究革命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大数据和人工智能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。6AI气象大模型的发展2018年ECMWF发布了机器学习相关的科学出版物2022年2月全面的中期天气预报模式有所发展2022年10月1 km² 全球更细分辨率的模型2022年11月热带气旋等天气2022年12月大量预测模型出现2023年1月全球和区域尺度共同发展2023年4月7天+ 预报技巧提升PeterDueben和PeterBauer （ ECMWF ） 使 用ERA5 数 据 发 布 了 一 篇 论文，分辨率约为500公里，用于预测未来z500。Keisler 发展了 GraphNN 1°分辨率，可以与GFS模式相比较。NVIDIA创 建 了FourCastNetFourier+，0.25°分辨率，比IFS预报快O(104) 倍，且模式运行更为节能。Jua.ai等实现全球1x1公里，提前48小时，时间步长5分钟预报。华为 -盘古气象大模型0.25 °分辨率，小时产品，“比IFS更准确的轨迹”。谷歌 Deepmind– GraphCast0.25°分辨率，6 小 时 产 品 ，预测许多变量和气压层，精度与IFS接近。微软 –ClimaX在 各 种 分 辨率 下 进 行 预测 ， 包 括 全球和区域。中国学术界 + 上海气象局 - 风乌0.25° 分 辨 率 ，6 小 时 产 品 ，在更长的时间尺度上改进了GraphCast（仍然是确定性的预报）。2023年11月15天+ （S2S）全球预报复旦大学 + 上海科学智能研究所– 伏羲气候气象大模型 ，伏羲次季节大模型的预报精度更准、预报周期更长（ 45天）、运行速度提升千倍。2024年6月18日中国气象局发布不同时间尺度三大AI气象大模型风 清：人工智能全球中短期预报系统；风 雷：人工智能临近预报系统；风 顺：人工智能 全 球 次 季节 —季节预测系统。报告内容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报告内容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。研究思路10✓ 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。“环流是天气的载体”+“巡航导弹”巡航导弹通常采用惯导、地形匹配制导、GPS制导和景象匹配制导等组合制导方式。•11探索思路：射击问题与巡航导弹• 传统的射击问题• 气候系统预测的相似性• 大气：导弹；海陆冰：地形地貌巡航导弹通常采用惯导、地形匹配制导、GPS制导和景象匹配制导等组合制导方式。拟解决的科学问题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汛期全国气候趋势预测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综合分析前期海洋、陆面、大气环流、气候异常特征等影响因素邀请水利部、高校及科研院所等专家共同研判；结合国内外动力气候模式预测结果滚动订正预测结果滚动订正预测结果2021年汛期降水趋势预测邀请水利部、高校及科研院所等专家共同研判中国汛期降水时空分布特征15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。中国中