百度EasyDL 開發(fā)平臺在氣象裝備保障中的應(yīng)用

涂愛琴，陳慶亮，于 帥，張玉潔

（1 中國科學(xué)院合肥物質(zhì)科學(xué)研究院 安徽光學(xué)精密機械研究所，中國科學(xué)院大氣光學(xué)重點實驗室，合肥 230031；2 中國科學(xué)技術(shù)大學(xué)研究生院科學(xué)島分院，合肥 230026；3 山東省氣象防災(zāi)減災(zāi)重點實驗室，濟南 250031；4 山東省氣象局大氣探測技術(shù)保障中心，濟南 250031）

0 引言

隨著以深度學(xué)習(xí)為代表的機器學(xué)習(xí)算法取得突破，人工智能（AI）呈現(xiàn)了加速發(fā)展的態(tài)勢［1］。由于機器學(xué)習(xí)在計算效率、準確性、可移植性、協(xié)同性、靈活性和易用性等方面具有較大的優(yōu)勢，近年來已在氣象領(lǐng)域獲得廣泛應(yīng)用。在地面觀測上，朱磊等人［2］提出了一種基于小樣本學(xué)習(xí)的地面結(jié)露結(jié)霜現(xiàn)象檢測方法，田治仁等人［3］發(fā)明了基于圖像的霧濃度等級判別方法，黃小玉等人［4］建立了冰雪天氣現(xiàn)象的識別模型。在天氣雷達觀測上，主要開展了異?；夭ㄗR別、雷達回波外推、水凝物相態(tài)識別等應(yīng)用研究［5-14］。在數(shù)值天氣預(yù)報上，從數(shù)據(jù)預(yù)處理、數(shù)據(jù)同化到預(yù)報和預(yù)測后的處理和校正，都已經(jīng)進行了機器學(xué)習(xí)算法的應(yīng)用研究［1，15-18］。此外，人工智能技術(shù)在強對流天氣的監(jiān)測和預(yù)警［19-21］、衛(wèi)星資料的應(yīng)用［22-24］、氣候預(yù)測［25］和農(nóng)業(yè)氣象［26］等方向也都取得了系列研究成果。

綜上所述，目前人工智能技術(shù)在氣象領(lǐng)域的應(yīng)用主要集中在氣象觀測、數(shù)值天氣預(yù)報、強對流天氣識別預(yù)警及衛(wèi)星資料應(yīng)用四個方面，但是在氣象裝備保障方向的應(yīng)用還尚未開展。論文舉例分析了人工智能技術(shù)在氣象裝備保障中的應(yīng)用場景，并依托百度EasyDL 開發(fā)平臺建立實驗?zāi)Ｐ?，對?yīng)用效果進行驗證。

1 EasyDL 介紹

EasyDL 是百度推出的人工智能開發(fā)平臺，內(nèi)置百度超大規(guī)模預(yù)訓(xùn)練模型和自研AutoDL 技術(shù)，只需少量數(shù)據(jù)就能訓(xùn)練出高精度模型，適用于AI 零算法基礎(chǔ)或追求高效率開發(fā)的用戶。根據(jù)應(yīng)用場景及深度學(xué)習(xí)的技術(shù)方向，EasyDL 產(chǎn)品可分為6 大類，分別是：EasyDL 圖像、EasyDL 文本、EasyDL 語音、EasyDL OCR、EasyDL 視頻和EasyDL 結(jié)構(gòu)化數(shù)據(jù)。其中，EasyDL 圖像定制基于圖像進行多樣化分析的AI 模型，實現(xiàn)圖像內(nèi)容理解分類、圖中物體檢測定位等，適用于圖片內(nèi)容檢索、安防監(jiān)控、工業(yè)質(zhì)檢等場景；EasyDL 文本基于百度大腦文心領(lǐng)先的語義理解技術(shù)，提供一整套NLP 定制與應(yīng)用能力，廣泛應(yīng)用于文本分類、文本實體抽取、情感傾向分析及短文本相似度分析等場景；EasyDL 語音定制語音識別模型，適用于數(shù)據(jù)采集錄入、聲音分類等場景；EasyDL OCR 定制化訓(xùn)練文字識別模型，結(jié)構(gòu)化輸出關(guān)鍵字段內(nèi)容，適用于證件照電子化審批、財稅報銷電子化等場景；EasyDL 視頻定制化分析視頻片段內(nèi)容、跟蹤視頻中特定的目標對象，適用于視頻內(nèi)容審核、人流／車流統(tǒng)計、養(yǎng)殖場牲畜移動軌跡分析等場景；EasyDL 結(jié)構(gòu)化數(shù)據(jù)旨在幫助用戶通過機器學(xué)習(xí)技術(shù)從數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律，從而對未來的變化趨勢進行預(yù)測，包含表格數(shù)據(jù)預(yù)測和時序預(yù)測兩個細分產(chǎn)品，適用于交通流量預(yù)測、價格預(yù)測等場景。

2 應(yīng)用場景分析

2.1 雨量筒加／揭蓋檢查

每年汛期結(jié)束后停止非稱重降水觀測，維護人員要給雨量筒加蓋保護設(shè)備；汛期開始前則要揭開雨量筒蓋，利于后續(xù)的降水觀測。目前區(qū)域站維護業(yè)務(wù)大多采取了外包服務(wù)，因此對外包公司是否及時進行了加／揭蓋維護需要開展業(yè)務(wù)檢查。由于區(qū)域站場地分散，一般采取抽查的方式，不但不能實現(xiàn)普查，且耗費的人力財力巨大。在業(yè)務(wù)場景安裝監(jiān)控攝像頭，采用定時抓拍或手動抓拍方式采集雨量筒圖片，建立雨量筒加／揭蓋檢查模型，就可以實現(xiàn)區(qū)域站雨量筒是否加蓋和揭蓋的智能檢查，提高業(yè)務(wù)質(zhì)量。雨量筒有無加蓋檢測圖像如圖1 所示。

圖1 雨量筒有無加蓋圖像Fig. 1 Pictures of rain gauge with or without the cover

2.2 雨量筒內(nèi)是否有異物檢查

當雨量筒中出現(xiàn)樹葉等異物時，常常會影響觀測結(jié)果的準確性，如帶來延時降水、降水偏小和無降水等情況，給氣象服務(wù)造成困擾。因此每當預(yù)報有天氣變化過程時，保障人員需要在過程前巡查和維護雨量筒；氣象服務(wù)人員則需要在過程結(jié)束后制作雨情報告等服務(wù)材料時，甄別數(shù)據(jù)的真實性，并將存疑的站點數(shù)據(jù)剔除掉。前者成本高、效率低，后者難度大、易出錯。在業(yè)務(wù)場景安裝監(jiān)控攝像頭，建立雨量筒有無異物檢查模型，當預(yù)報有天氣變化過程時，保障人員抓拍現(xiàn)場圖片并自動識別雨量筒有無異物，隨后僅對識別結(jié)果為有異物的站點進行維護，能大大降低維護成本。當雨情出現(xiàn)后，氣象服務(wù)人員在制作服務(wù)材料前抓拍現(xiàn)場圖片，并自動識別雨量筒有無異物，將模型識別為有異物的站點數(shù)據(jù)剔除掉，能確保材料的準確性，有效提高服務(wù)質(zhì)量。雨量筒有無異物檢測圖像如圖2 所示。

圖2 雨量筒有無異物圖像Fig. 2 Pictures of rain gauge with or without foreign matters

2.3 設(shè)備故障監(jiān)控

當觀測設(shè)備出現(xiàn)故障的時候，常常會在觀測數(shù)據(jù)上有所體現(xiàn)，如缺測、跳變、數(shù)值偏低或偏高等。因此對觀測數(shù)據(jù)進行監(jiān)控能夠?qū)崿F(xiàn)對氣象觀測設(shè)備故障的監(jiān)控。通過數(shù)據(jù)監(jiān)控設(shè)備運行狀態(tài)的常規(guī)方法是設(shè)置閾值來檢驗觀測數(shù)據(jù)是否正常，但是閾值設(shè)置不當會影響監(jiān)控方法的準確性，且閾值檢測是單點檢測，因觀測環(huán)境等因素引起的單個數(shù)值跳變?nèi)菀滓鹪O(shè)備故障的誤判。

另一方面，當觀測數(shù)據(jù)出現(xiàn)缺測和跳變等異常時，其觀測產(chǎn)品、如時間變化曲線等也往往出現(xiàn)異常，如圖3、圖4 所示。圖3 是正常和典型故障下氣溶膠觀測數(shù)據(jù)時間變化曲線圖。圖3（a）中，PM2.5觀測值長時間大于PM10 觀測值，是典型的倒掛故障；圖3（b）中，PM2.5 值一直沒有變化，是恒值故障；圖3（c）是正常的曲線圖。圖4 是正常和典型故障下土壤水分觀測數(shù)據(jù)時間變化曲線圖。圖4（a）是正常曲線；圖4（b）表示20 公分傳感器附近有個菜根引起數(shù)據(jù)跳變；圖4（c）表示10 公分傳感器故障導(dǎo)致數(shù)據(jù)偏小且跳變。鑒于正常曲線和典型故障曲線的明顯區(qū)別，將觀測數(shù)據(jù)按模板制作成數(shù)據(jù)產(chǎn)品，隨后應(yīng)用基于深度學(xué)習(xí)的圖像識別技術(shù)，建立設(shè)備故障智能監(jiān)控模型，可對設(shè)備的運行狀態(tài)進行實時監(jiān)控和預(yù)警。

圖3 正常和典型故障下氣溶膠觀測數(shù)據(jù)曲線圖Fig. 3 Curve of aerosol observation data under normal situation and typical faults

圖4 正常和典型故障下自動土壤水分觀測數(shù)據(jù)曲線圖Fig. 4 Curve of automatic soil moisture observation data under normal situation and typical faults

3 建模實驗

3.1 建模流程

使用EasyDL 平臺建立AI 模型的步驟如圖5 所示。在建模之前，需要有效分析和拆解業(yè)務(wù)需求，然后選擇合適的產(chǎn)品類型。如，針對雨量筒有無異物檢查的業(yè)務(wù)需求，可以通過EasyDL 產(chǎn)品中的圖像模型進行判斷；針對預(yù)測備件消耗數(shù)量的業(yè)務(wù)需求，則可以通過EasyDL 產(chǎn)品中的結(jié)構(gòu)化數(shù)據(jù)來進行建模預(yù)測。有的業(yè)務(wù)需求含有多個業(yè)務(wù)功能，且每個功能適用的產(chǎn)品不同，這時就需要對業(yè)務(wù)需求進行拆解，并針對每個業(yè)務(wù)功能分別建模，綜合應(yīng)用多個模型來滿足業(yè)務(wù)需要。

圖5 AI 模型建立流程Fig. 5 Flow chart of AI model establishment

研究可知，基于EasyDL 平臺開發(fā)，確定了產(chǎn)品類型就相當于確定了算法，因此接下來需要進行的就是數(shù)據(jù)收集工作。采集數(shù)據(jù)后，可以通過EasyDL在線標注工具或線下利用其他標注工具對已有的數(shù)據(jù)進行標注。如上述雨量筒有無異物的模型，需要將采集圖片按照有異物和無異物兩類進行分類標注。

數(shù)據(jù)準備好后，在EasyDL 平臺根據(jù)向?qū)顚懩Ｐ兔Q、應(yīng)用場景和功能描述等信息創(chuàng)建模型。模型建好后加入數(shù)據(jù)集進行訓(xùn)練，根據(jù)數(shù)據(jù)集大小及訓(xùn)練環(huán)境等因素，模型訓(xùn)練時間從幾分鐘到幾小時不等。模型訓(xùn)練完成后，百度平臺自動生成了評估報告，查看評估報告初步了解模型的效果。為了進一步驗證模型效果，可以通過平臺提供的校驗功能，對模型效果進行測試。測試結(jié)果可用的模型就可以申請發(fā)布，并在業(yè)務(wù)系統(tǒng)的運行中調(diào)入使用；測試結(jié)果不理想的模型則需要增加數(shù)據(jù)集繼續(xù)訓(xùn)練，直到測試結(jié)果可用后發(fā)布。

3.2 數(shù)據(jù)來源

論文基于百度EasyDL 平臺的圖像分類產(chǎn)品，通過在區(qū)域站安裝攝像頭，采集了區(qū)域站雨量筒圖片500 張，訓(xùn)練了雨量筒是否加蓋和雨量筒是否有異物兩個模型。通過中國氣象局氣象探測中心開發(fā)的數(shù)據(jù)質(zhì)量控制系統(tǒng)-天衡，采集了氣溶膠質(zhì)量濃度時間變化曲線圖片150 張，訓(xùn)練了氣溶膠觀測設(shè)備故障識別模型。

3.3 結(jié)果分析

3 個模型的檢測效果見表1。表1 中，準確率是指正確分類的樣本數(shù)與總樣本數(shù)之比，越接近1、模型效果越好。就某類別而言，精確率是正確預(yù)測為該類別的樣本數(shù)與預(yù)測為該類別的總樣本數(shù)之比，指標越高、誤識別率越低；召回率是正確預(yù)測為該類別的樣本數(shù)與該類別的樣本數(shù)之比，指標越高、漏識別率越低；F1-score是精確率和召回率的調(diào)和平均數(shù)，其值越高、模型效果越好。

由表1 可以看出，雨量筒是否加蓋和是否有異物的識別模型效果較好，準確率達到或接近100%，而氣溶膠觀測設(shè)備故障識別模型由于設(shè)置的故障分類較多，訓(xùn)練的圖片樣本數(shù)量又偏少等原因，準確率偏低，模型需要進一步優(yōu)化。

表1 模型效果評估表Tab.1 Evaluation sheet of models effect %

4 結(jié)束語

（1）百度EasyDL 開發(fā)平臺提供了包括數(shù)據(jù)清洗、數(shù)據(jù)標注、訓(xùn)練任務(wù)配置和調(diào)參、模型效果評估和模型部署等一站式服務(wù)，具有廣適配和高精度等優(yōu)勢，平臺設(shè)計簡約，容易理解，適用于零基礎(chǔ)氣象業(yè)務(wù)人員開展人工智能技術(shù)的應(yīng)用研究。

（2）隨著深度學(xué)習(xí)算法的突破，人工智能技術(shù)在氣象領(lǐng)域的應(yīng)用也在飛快發(fā)展。在觀測保障上，除了智能觀測方面的應(yīng)用，人工智能技術(shù)未來在觀測業(yè)務(wù)質(zhì)量檢查和智能保障方面也將會得到大規(guī)模應(yīng)用。如應(yīng)用圖像分類和物體檢測技術(shù)開展觀測環(huán)境的監(jiān)控和預(yù)警，應(yīng)用異常觀測產(chǎn)品識別方法開展數(shù)據(jù)質(zhì)量控制和設(shè)備故障監(jiān)控工作，應(yīng)用時序預(yù)測模型開展備件消耗數(shù)量預(yù)測用于備件儲備指導(dǎo)等。

（3）基于百度EasyDL 平臺訓(xùn)練的雨量筒是否加蓋、雨量筒是否有異物和氣溶膠觀測設(shè)備故障識別模型驗證了深度學(xué)習(xí)技術(shù)應(yīng)用于氣象裝備保障領(lǐng)域的可行性。此外，前2 個模型的精度已經(jīng)達到業(yè)務(wù)使用的要求，第3 個模型仍需要積累數(shù)據(jù)做進一步的優(yōu)化。