氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架及前沿應(yīng)用

李社宏

(陜西省氣象局，西安 710014)

近年來(lái)，深度學(xué)習(xí)理論與技術(shù)取得了重大突破，日臻完善，其大規(guī)模研究應(yīng)用的浪潮奔涌而至，在語(yǔ)音識(shí)別、人臉識(shí)別、自然語(yǔ)言處理、自動(dòng)駕駛、搜索廣告CTR預(yù)估等眾多領(lǐng)域的應(yīng)用日益廣泛，并迅速向經(jīng)濟(jì)發(fā)展、社會(huì)生活等各個(gè)領(lǐng)域滲透，深度學(xué)習(xí)已經(jīng)成為各行各業(yè)戰(zhàn)略轉(zhuǎn)型、創(chuàng)新發(fā)展的重要源頭和強(qiáng)大動(dòng)力。在氣象領(lǐng)域早日引入深度學(xué)習(xí)技術(shù)，推進(jìn)氣象科技創(chuàng)新發(fā)展，重要而迫切，也面臨嚴(yán)峻挑戰(zhàn)。面臨挑戰(zhàn)的原因主要在于，深度學(xué)習(xí)和氣象科技分別都是非常龐大且復(fù)雜的知識(shí)體系，兩個(gè)知識(shí)體系疊加后的復(fù)雜程度遠(yuǎn)遠(yuǎn)超出了個(gè)人(甚至超級(jí)專家)可以掌控的范圍。要同時(shí)駕馭這兩個(gè)復(fù)雜知識(shí)體系，需要轉(zhuǎn)變傳統(tǒng)思維方式和學(xué)習(xí)方法，運(yùn)用整體性學(xué)習(xí)策略，首先構(gòu)建氣象領(lǐng)域深度學(xué)習(xí)的知識(shí)體系框架，并依此組建團(tuán)隊(duì)，依靠團(tuán)隊(duì)的力量快速進(jìn)入新領(lǐng)域。本文按照整體性學(xué)習(xí)的理論和方法，給出了一個(gè)初步的氣象領(lǐng)域深度學(xué)習(xí)的知識(shí)體系框架，并簡(jiǎn)單介紹了當(dāng)前主流的深度學(xué)習(xí)框架工具Caffe和TensorFlow，以及深度學(xué)習(xí)在氣象領(lǐng)域的幾個(gè)前沿應(yīng)用，最后提出了推進(jìn)深度學(xué)習(xí)技術(shù)在氣象領(lǐng)域研究應(yīng)用應(yīng)當(dāng)重視的幾個(gè)關(guān)鍵環(huán)節(jié)。

1 數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的聯(lián)系與區(qū)別

1.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘(data mining，DM)是指從海量數(shù)據(jù)中通過(guò)算法搜索隱藏于其中的信息和知識(shí)的過(guò)程。數(shù)據(jù)挖掘需要運(yùn)用大量機(jī)器學(xué)習(xí)領(lǐng)域提供的數(shù)據(jù)分析技術(shù)和數(shù)據(jù)庫(kù)領(lǐng)域提供的數(shù)據(jù)管理技術(shù)。

1.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)(machine learning, ML)是一門專門研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)，使之不斷改善自身性能的學(xué)科。機(jī)器學(xué)習(xí)是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。

1.3 深度學(xué)習(xí)

深度學(xué)習(xí)(deep learning，DL)是機(jī)器學(xué)習(xí)的一個(gè)新領(lǐng)域，通過(guò)建立模擬人腦進(jìn)行分析學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)，模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如視頻、圖像、聲音和文本等數(shù)據(jù)。深度學(xué)習(xí)的優(yōu)勢(shì)是能夠通過(guò)學(xué)習(xí)算法自動(dòng)獲取數(shù)據(jù)特征，同時(shí)由于模型的層次、參數(shù)很多，容量足夠，因此模型擅長(zhǎng)于表示大規(guī)模數(shù)據(jù)。深度學(xué)習(xí)方法主要包括監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)兩種。例如，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks， CNN)就是一種監(jiān)督學(xué)習(xí)模型，而深度置信網(wǎng)(deep belief nets，DBN)就是一種無(wú)監(jiān)督學(xué)習(xí)模型。

數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者之間既有聯(lián)系，區(qū)別也十分明顯。首先，數(shù)據(jù)挖掘是一個(gè)很寬泛的概念，不僅要研究、拓展、應(yīng)用機(jī)器學(xué)習(xí)技術(shù)，還要使用數(shù)據(jù)庫(kù)技術(shù)、數(shù)據(jù)清洗等非機(jī)器學(xué)習(xí)技術(shù)。其次，機(jī)器學(xué)習(xí)不僅涉及對(duì)數(shù)據(jù)的分析處理，還涉及對(duì)人的認(rèn)知學(xué)習(xí)過(guò)程的探索，是人工智能的核心研究領(lǐng)域之一，也是數(shù)據(jù)挖掘的重要工具。再次，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)新的熱門領(lǐng)域，本質(zhì)上來(lái)源于多隱層的神經(jīng)網(wǎng)絡(luò)。總之，數(shù)據(jù)挖掘的技術(shù)成分更重一些，機(jī)器學(xué)習(xí)的科學(xué)成分更重一些。數(shù)據(jù)挖掘是從目的而言的，側(cè)重于把數(shù)據(jù)轉(zhuǎn)化為有用的信息和知識(shí)，而機(jī)器學(xué)習(xí)是從理論和方法而言的，側(cè)重于如何科學(xué)高效的實(shí)現(xiàn)這種轉(zhuǎn)化。

2 氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架

從技術(shù)角度而言，深度學(xué)習(xí)是一系列復(fù)雜知識(shí)和技術(shù)的組合，真正全面掌握深度學(xué)習(xí)技術(shù)是一件很難的事情。何況，把深度學(xué)習(xí)應(yīng)用到氣象領(lǐng)域，還需要掌握氣象領(lǐng)域的復(fù)雜的知識(shí)和技術(shù)，難度大幅度增加。如何克服困難，跨越這個(gè)難度，需要同時(shí)從兩個(gè)方面著手。一是通過(guò)搭建氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架，高效學(xué)習(xí)、快速進(jìn)入深度學(xué)習(xí)領(lǐng)域。二是建立團(tuán)隊(duì)，發(fā)揮團(tuán)隊(duì)成員在各自領(lǐng)域的技術(shù)優(yōu)勢(shì)，分工合作。這兩方面措施需要同時(shí)采取，同時(shí)發(fā)力，才能取得效果。這里重點(diǎn)探討第一個(gè)方面。

整體性學(xué)習(xí)是一種高效學(xué)習(xí)理論，它在深入研究和科學(xué)借鑒人類大腦工作機(jī)理的基礎(chǔ)上，充分發(fā)揮大腦結(jié)構(gòu)和大腦中豐富的神經(jīng)元的作用，通過(guò)創(chuàng)建知識(shí)網(wǎng)絡(luò)，將一個(gè)個(gè)孤立的知識(shí)關(guān)聯(lián)起來(lái)，以達(dá)到對(duì)知識(shí)的完全理解和輕松駕馭[1]。運(yùn)用整體性學(xué)習(xí)理論，可幫助我們快速高效學(xué)習(xí)有關(guān)深度學(xué)習(xí)知識(shí)，并與氣象知識(shí)建立關(guān)聯(lián)，快速進(jìn)入深度學(xué)習(xí)龐大而復(fù)雜的知識(shí)領(lǐng)域。整體性學(xué)習(xí)首要的是建立知識(shí)體系框架，作者通過(guò)閱讀大量相關(guān)資料并進(jìn)行梳理，建立了一套氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架。氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架主要包括：大數(shù)據(jù)平臺(tái)、數(shù)據(jù)獲取、實(shí)時(shí)數(shù)據(jù)流處理、歷史數(shù)據(jù)交互式處理、復(fù)雜的批量數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和應(yīng)用云化，共八個(gè)部分，每部分還可繼續(xù)細(xì)分，如圖1。圖1中陰影部分的內(nèi)容是與氣象領(lǐng)域有關(guān)的知識(shí)，其余為通用的深度學(xué)習(xí)知識(shí)。

圖1 氣象領(lǐng)域深度學(xué)習(xí)知識(shí)體系框架

3 主流深度學(xué)習(xí)框架工具

目前，深度學(xué)習(xí)正處于蓬勃發(fā)展階段，各種深度學(xué)習(xí)框架工具層出不窮，發(fā)展迅速，迭代周期短。常見的深度學(xué)習(xí)框架工具有Caffe、TensorFlow、Theano、Torch、DeepLearning4j、Marvin等。這里介紹兩個(gè)成熟、易于掌握、使用普遍的通用深度學(xué)習(xí)框架，即Caffe和TensorFlow，以便對(duì)深度學(xué)習(xí)框架有一個(gè)基本認(rèn)識(shí)。

3.1 Caffe

Caffe(全稱convolutional architecture for fast feature embedding，快速特征嵌入卷積框架)是一個(gè)清晰、高效、高可讀的深度學(xué)習(xí)框架，作者是賈揚(yáng)清。Caffe支持命令行、Python和Matlab接口，可以在CPU和GPU之間無(wú)縫切換運(yùn)行。Caffe的優(yōu)勢(shì)是：網(wǎng)絡(luò)結(jié)構(gòu)定義簡(jiǎn)單、容易上手、運(yùn)行速度快、模塊化、開源和活躍的社區(qū)等，是目前圖像識(shí)別領(lǐng)域的主流框架。

3.2 TensorFlow

TensorFlow是谷歌研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，其命名來(lái)源于本身的運(yùn)行原理。Tensor(張量)意味著N維數(shù)組，F(xiàn)low(流)意味著基于數(shù)據(jù)流圖的計(jì)算，TensorFlow為張量從流圖的一端流動(dòng)到另一端的計(jì)算過(guò)程。TensorFlow是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進(jìn)行分析和處理的系統(tǒng)，其優(yōu)勢(shì)是：靈活性和可延展性，同時(shí)還支持異構(gòu)設(shè)備分布式計(jì)算，可在小到一部智能手機(jī)、大到數(shù)千臺(tái)數(shù)據(jù)中心服務(wù)器的各種設(shè)備上運(yùn)行。TensorFlow被廣泛用于語(yǔ)音識(shí)別或圖像識(shí)別等多項(xiàng)深度學(xué)習(xí)領(lǐng)域。TensorFlow也是開源的，且社區(qū)繁榮。

需要說(shuō)明的是，Caffe和TensorFlow都可以在官網(wǎng)上下載到源碼、測(cè)試數(shù)據(jù)集(如CIFAR-10、MNIST數(shù)據(jù)集等)和詳細(xì)的安裝配置指南，也可在網(wǎng)絡(luò)社區(qū)找到豐富的學(xué)習(xí)資料和操作案例，二者都可在單機(jī)上調(diào)試運(yùn)行，非常方便初學(xué)者入門與提高。

4 氣象領(lǐng)域深度學(xué)習(xí)的幾個(gè)前沿研究與應(yīng)用

這里，簡(jiǎn)要介紹國(guó)內(nèi)外把深度學(xué)習(xí)技術(shù)應(yīng)用于氣象領(lǐng)域的幾個(gè)前沿研究與應(yīng)用，以概要了解相關(guān)領(lǐng)域的發(fā)展思路、發(fā)展方向、發(fā)展態(tài)勢(shì)及進(jìn)展。

4.1 天氣系統(tǒng)自動(dòng)識(shí)別

在視頻流中實(shí)時(shí)發(fā)現(xiàn)目標(biāo)及其運(yùn)動(dòng)情況，是目前深度學(xué)習(xí)技術(shù)的一個(gè)熱門應(yīng)用領(lǐng)域。在氣候數(shù)據(jù)集中發(fā)現(xiàn)極端天氣系統(tǒng)，與在視頻流中發(fā)現(xiàn)目標(biāo)及其運(yùn)動(dòng)情況非常相似。不同之處在于，在氣候數(shù)據(jù)集中，“視頻”有16個(gè)或更多的“通道”信息(如氣壓、溫度、濕度、風(fēng)向風(fēng)速等)，而傳統(tǒng)的視頻中只有3個(gè)通道(RGB)?；谶@樣的思路，Liu Yunjie等開發(fā)了深層卷積神經(jīng)網(wǎng)絡(luò)天氣系統(tǒng)識(shí)別系統(tǒng)，通過(guò)Caffe建立了卷積神經(jīng)網(wǎng)絡(luò)并調(diào)優(yōu)，用歷史氣候數(shù)據(jù)集進(jìn)行了網(wǎng)絡(luò)訓(xùn)練[2]。該CNN共有4個(gè)學(xué)習(xí)層，其中包括2個(gè)卷積層和2個(gè)全連接層，每個(gè)卷積層之后緊跟一個(gè)最大池化層。研究中使用了兩種資料：氣候模擬資料和再分析資料，時(shí)間范圍從1908年至2009年，時(shí)間跨度超過(guò)了100年，樣本數(shù)5 000到10 000不等，各種天氣系統(tǒng)的真實(shí)標(biāo)注數(shù)據(jù)來(lái)自TECA分析輸出，由專家手動(dòng)標(biāo)注完成。該CNN網(wǎng)絡(luò)識(shí)別熱帶氣旋、水汽輸送帶、鋒面等天氣系統(tǒng)的準(zhǔn)確率達(dá)到了89%～99%。Evan Racah等則更進(jìn)一步考慮用一個(gè)統(tǒng)一的網(wǎng)絡(luò)對(duì)多種類型天氣系統(tǒng)進(jìn)行識(shí)別，這是對(duì)這個(gè)問(wèn)題的一個(gè)更高級(jí)的、類似于3D卷積神經(jīng)網(wǎng)絡(luò)的、半監(jiān)督學(xué)習(xí)的思路，已取得了良好進(jìn)展[3]。

4.2 衛(wèi)星云圖識(shí)別和云量計(jì)算

王艦鋒等運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)開展了衛(wèi)星云圖判識(shí)研究，并在此基礎(chǔ)上進(jìn)行了衛(wèi)星云量計(jì)算[4]。首先,在中國(guó)資源衛(wèi)星網(wǎng)下載了HJ-1A/1B衛(wèi)星資料，經(jīng)過(guò)預(yù)處理，分別建立了訓(xùn)練樣本集和測(cè)試樣本集。其中訓(xùn)練樣本集包括厚云、薄云和晴空三類各3 000個(gè)樣本，測(cè)試樣本集包括厚云、薄云和晴空三類各1 000個(gè)樣本。對(duì)所有云圖樣本圖像都進(jìn)行了歸一化處理，處理后的圖像像素大小為32×32，以此作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。其次，建立卷積神經(jīng)網(wǎng)絡(luò)CNN，其架構(gòu)包含輸入層、卷積層、池化層、全連接層、Softmax分類層和輸出層，利用該CNN對(duì)9 000個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練，對(duì)3 000個(gè)測(cè)試樣本進(jìn)行測(cè)試。第三，對(duì)卷積神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)層數(shù)、濾波器個(gè)數(shù)、濾波器大小等幾個(gè)方面進(jìn)行了優(yōu)化。結(jié)論是：當(dāng)卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)為6層時(shí)，網(wǎng)絡(luò)分類的準(zhǔn)確率最高；當(dāng)?shù)谝粚訛V波器個(gè)數(shù)為12個(gè)，第二層濾波器個(gè)數(shù)為16個(gè)時(shí)，網(wǎng)絡(luò)分類的準(zhǔn)確率最高；當(dāng)?shù)谝粚訛V波器大小為5×5，第二層濾波器大小為7×7時(shí)，網(wǎng)絡(luò)分類的準(zhǔn)確率最高。優(yōu)化后，網(wǎng)絡(luò)對(duì)云分類的準(zhǔn)確率達(dá)到了91.4%。第四，在運(yùn)用訓(xùn)練后的CNN對(duì)多通道衛(wèi)星云圖進(jìn)行檢測(cè)基礎(chǔ)上，采用基于反射率檢測(cè)的算法開展總云量計(jì)算，最終得到云量分布圖。第五，經(jīng)比較傳統(tǒng)閾值法、動(dòng)態(tài)閾值法、極限學(xué)習(xí)機(jī)模型和卷積神經(jīng)網(wǎng)絡(luò)，結(jié)果表明基于卷積神經(jīng)網(wǎng)絡(luò)的云量計(jì)算準(zhǔn)確率最高，接近90%。

4.3 地基全天空云圖分類

張振等研究了基于深度學(xué)習(xí)的數(shù)字地基全天空云圖分類方法[5]。研究使用了中國(guó)氣象科學(xué)研究院和北京交通大學(xué)共同發(fā)布的全天空云圖數(shù)據(jù)集，該數(shù)據(jù)集由布設(shè)在西藏的全天空云圖成像儀采集獲得，數(shù)據(jù)采集時(shí)間為2012年8月至2014年7月，共篩選出5 000張全天空云圖像，定義了5種云圖像類別，分別是：卷狀云、積狀云、層狀云、晴空和混合云，每種類別1 000張?jiān)茍D。研究使用的深度學(xué)習(xí)框架為Caffe，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括：三個(gè)卷積層、兩個(gè)全連接層以及分類器層，每個(gè)卷積層后邊都有池化層，池化層采用了最大值策略。針對(duì)小樣本數(shù)據(jù)集標(biāo)注樣本較少的局限性，研究采用了遷移學(xué)習(xí)的思想和樣本圖像擴(kuò)容技術(shù)。遷移學(xué)習(xí)即采用CaffeModel參數(shù)(ImageNet網(wǎng)絡(luò)參數(shù))初始化CNN前兩層卷積層參數(shù)，然后再微調(diào)整個(gè)網(wǎng)絡(luò)，此方法取得了最好的分類準(zhǔn)確率。數(shù)據(jù)擴(kuò)容即對(duì)原始全天空?qǐng)D采用拉伸、旋轉(zhuǎn)、鏡像、切割、改變縱橫比等方法，產(chǎn)生新的樣本。采用數(shù)據(jù)擴(kuò)容使得原始數(shù)據(jù)集擴(kuò)展了10倍。研究結(jié)果表明，基于深度學(xué)習(xí)的分類方法的準(zhǔn)確率達(dá)到了98.4%，比基于統(tǒng)計(jì)學(xué)的傳統(tǒng)分類方法提高了20%以上，這是目前已知的最好的分類結(jié)果。研究還建立了全天空云圖分類平臺(tái)，用戶可將單張或多張?jiān)茍D圖像提交平臺(tái)，經(jīng)過(guò)后端運(yùn)算，返回分類結(jié)果。

5 跨入氣象領(lǐng)域深度學(xué)習(xí)時(shí)代的關(guān)鍵環(huán)節(jié)

毋庸置疑，深度學(xué)習(xí)技術(shù)在氣象領(lǐng)域有著廣闊的應(yīng)用前景，氣象領(lǐng)域也呼喚著深度學(xué)習(xí)技術(shù)能夠早日加入。加快推進(jìn)深度學(xué)習(xí)技術(shù)在氣象領(lǐng)域的研究應(yīng)用，積極主動(dòng)迎接氣象領(lǐng)域深度學(xué)習(xí)時(shí)代的到來(lái)，需要優(yōu)先重視以下三個(gè)關(guān)鍵環(huán)節(jié)。

5.1 建立氣象標(biāo)準(zhǔn)數(shù)據(jù)集和開放網(wǎng)絡(luò)社區(qū)

2012年以來(lái)，深度學(xué)習(xí)技術(shù)得以快速發(fā)展，主要取決于三個(gè)方面的有利因素：深度學(xué)習(xí)技術(shù)自身的突破、更大的數(shù)據(jù)集以及GPU等計(jì)算機(jī)硬件能力的提升。其中，深度學(xué)習(xí)技術(shù)自身的突破、計(jì)算機(jī)硬件能力的提升不是我們能左右的，只有更大的數(shù)據(jù)集與氣象有關(guān)。由此可以相信，在氣象領(lǐng)域引入深度學(xué)習(xí)技術(shù)的最大瓶頸將是適合機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)數(shù)據(jù)集建設(shè)，同時(shí)需要建立開放網(wǎng)絡(luò)社區(qū)，吸引更多的愛好者參與社區(qū)交流。

5.2 改進(jìn)創(chuàng)新管理方式

一個(gè)值得思考的現(xiàn)象是，目前氣象領(lǐng)域深度學(xué)習(xí)的研究與應(yīng)用多數(shù)是由高校、研究機(jī)構(gòu)、企業(yè)等非氣象機(jī)構(gòu)的團(tuán)隊(duì)主導(dǎo)，這些團(tuán)隊(duì)先掌握了深度學(xué)習(xí)技術(shù)，然后把這項(xiàng)技術(shù)擴(kuò)展應(yīng)用到了氣象領(lǐng)域，本文所列舉的三個(gè)前沿應(yīng)用都屬于這種情況。相反，來(lái)自氣象機(jī)構(gòu)的團(tuán)隊(duì)以氣象技術(shù)為基礎(chǔ)，主動(dòng)向深度學(xué)習(xí)技術(shù)領(lǐng)域擴(kuò)展的則較少，或者說(shuō)難度較大?？死最D·克里斯滕森(美)在《創(chuàng)新者的窘境》一書中提出了“傳統(tǒng)業(yè)務(wù)天生對(duì)創(chuàng)新具有絞殺功能”的觀點(diǎn)，通過(guò)大量案例分析，作者還歸納了這種現(xiàn)象產(chǎn)生的深層次原因，并給出了應(yīng)對(duì)法則，以改進(jìn)突破性技術(shù)創(chuàng)新管理，很值得借鑒。

5.3 克服畏難心理

具有氣象技術(shù)背景的人員要引入深度學(xué)習(xí)技術(shù)，大多會(huì)認(rèn)為難度太大、難以跨越，對(duì)深度學(xué)習(xí)產(chǎn)生畏懼感。事實(shí)上，近年來(lái)深度學(xué)習(xí)技術(shù)發(fā)展非常迅速，通用學(xué)習(xí)工具簡(jiǎn)單易用，樣本數(shù)據(jù)集豐富，操作說(shuō)明齊全，對(duì)硬件的要求降低到可單機(jī)運(yùn)行，深度學(xué)習(xí)的門檻已大大降低。團(tuán)隊(duì)和個(gè)人只要采取針對(duì)性措施，克服畏難心理，完全可以早日跨越深度學(xué)習(xí)的技術(shù)門檻，在深度學(xué)習(xí)的海洋中遨游。

6 小結(jié)

建立深度學(xué)習(xí)知識(shí)體系框架有利于從技術(shù)層面快速進(jìn)入深度學(xué)習(xí)時(shí)代。本文給出了一個(gè)氣象領(lǐng)域深度學(xué)習(xí)的知識(shí)體系框架，在此基礎(chǔ)上介紹了兩種通用深度學(xué)習(xí)工具，以及天氣系統(tǒng)識(shí)別、衛(wèi)星云圖識(shí)別和地基全天空云圖分類等三個(gè)基于深度學(xué)習(xí)的氣象應(yīng)用，最后指出了建立氣象標(biāo)準(zhǔn)數(shù)據(jù)集、改進(jìn)創(chuàng)新管理方式和克服畏難心理的重要性。

[1] 斯科特·揚(yáng).如何高效學(xué)習(xí)[M].程冕，譯.北京：機(jī)械工業(yè)出版社,2016：223-224.

[2] LIU Yunjie, RACAH Evan,PRABHAT,et al. Application of deep convolutional neural networks for detecting extreme weather in climate datasets(R/OL). (2016-05-04)[2017-11-03].http://worldcomp-proceedings.com/proc/p2016/ABD6152.pdf.

[3] RACAH Evan,BECKHAM Christopher, MAHARAJ Tegan, et al.Semi-Supervised detection of extreme weather events in large climate datasets(R/OL).(2016-12-07)[2017-11-03].http://pdfs.semanticscholar.org/3fae/be9d5c47fc90998811c4ac768706283d605c.pdf.

[4] 王艦鋒.基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算[D].南京：南京信息工程大學(xué), 2016.

[5] 張振.基于深度學(xué)習(xí)的全天空云圖分類方法研究[D].北京：北京交通大學(xué)，2016.