人工智能在氣候預測領域應用初探

文 ｜中國氣象局氣象發(fā)展與規(guī)劃院 劉冠州，唐偉

一、引言

根據國家標準化管理委員會發(fā)布的《人工智能標準化白皮書(2018年)》，人工智能(Artificial Intelligence,AI)是指利用數字計算機或者由數字計算機控制的機器，模擬、延伸和擴展人類的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結果的理論、方法、技術和應用系統(tǒng)。現階段，隨著計算機硬件設施性能的顯著提升、研究數據的大量增長且存儲成本的大幅降低以及算法的明顯改進，人工智能技術飛速發(fā)展，呈現出深度學習、跨界融合、人機協(xié)同、自主操控等發(fā)展趨勢。

在人工智能領域，一般包括機器學習、知識圖譜、自然語言處理、人機交互、計算機視覺、生物識別、增強現實（Augmented Reality,AR）/虛擬現實（Virtual Reality,VR）七大關鍵技術。機器學習（Machine Learning,ML）是一門交叉學科，涉及統(tǒng)計學、系統(tǒng)辨識、逼近論、神經網絡、優(yōu)化論、計算機科學、腦科學等諸多領域。它研究計算機如何模擬或實現人類的學習行為。獲取新知識或技能，重組現有知識結構，不斷提高自身性能，是人工智能技術的核心。常使用并且表現突出的主流機器學習方法包括兩大類：（1）傳統(tǒng)機器學習，如決策樹、隨機森林、支持向量機、樸素貝葉斯、梯度提升樹、極端梯度提升樹等；（2）深度學習，如卷積神經網絡、循環(huán)神經網絡、遞歸神經網絡、深度玻爾茲曼機、深度置信網絡等。

隨著氣候變化及其負面影響的日益加劇，干旱、洪澇等氣象災害頻發(fā)且破壞加劇對人類的生活造成很大影響，提高氣候預測的能力也變得愈加重要和急迫，對氣候預測的需求越來越大。將人工智能應用于月—季尺度上的氣候預測以及更長時間尺度的氣候預估，是一項巨大的挑戰(zhàn)。人工智氣候預測需要海量的優(yōu)質數據，數據是機器學習的核心，是AI發(fā)展的瓶頸,數據決定模型質量的上限。隨著對氣候系統(tǒng)變化機制的日益深入理解，地球系統(tǒng)的觀測數據、再分析資料以及數值模擬數據在過去40年里飛速增長，氣候變化科學數據存量越來越大，存儲類型越來越豐富。尤其是第五階段國際耦合模式比較計劃（Coupled Model Intercomparison Project-Phase 5,CMIP5）和第六階段國際耦合模式比較計劃（Coupled Model Intercomparison Project-Phase 6,CMIP6），為氣候變化、氣候預測和氣候預估研究提供了數千萬億字節(jié)量級的數據資源。同時在高性能計算機、“大數據”和先進算法的支持下，機器學習技術蓬勃發(fā)展,為提高氣候預測的技巧提供了新的思路和契機，氣候預測領域的人工智能應用也在逐漸展開。在模式改進等特定領域，人們已經認識到人工智能技術的巨大潛在利益。傳統(tǒng)模式中的不同要素顯示出被人工智能技術取代或增強的潛力。許多氣候研究人員已經采用人工智能方法來加深對特定地球系統(tǒng)組成部分的理解，相關領域涌現了一大批創(chuàng)新性的研究成果，下文將分類詳述。

首先，將著陸試驗實測的應變和緩沖器行程數據代入標定試驗獲得的載荷方程中，計算出起落架輪軸處承受的結構載荷，包括垂向、航向和側向結構載荷，繪制出實測起落架載荷的時間歷程曲線見圖3，圖中：Pz、Px和Py分別為右主起的垂向、航向和側向載荷。

二、氣候模式參數化改進

Krasnopolsky等人2005年提出了一種基于統(tǒng)計/機器學習和大氣模型中確定性建模的協(xié)同組合的方法。該方法使用神經網絡作為統(tǒng)計或機器學習技術，用于模型物理參數化的精確和快速仿真或統(tǒng)計近似。它被用于為美國國家大氣研究中心（National Center for Atmospheric Research,NCAR）社區(qū)大氣模型開發(fā)一個大氣長波輻射參數化的精確和快速近似，這是模型物理中最耗時的部分。開發(fā)的神經網絡仿真比原始參數化快兩個數量級到50～80倍。用原始參數化及其神經網絡模擬進行的并行10年氣候模擬的比較證實，這些模擬產生幾乎相同的結果。Gentine等人2018年提出了一種基于機器學習的對流參數化的新方法，使用一個具有指定海面溫度的水行星作為概念證明。用氣候模型的超參數化版本來訓練深度神經網絡，其中對流由數千個嵌入的二維云解析模型來解析，對流的機器學習表示可以巧妙地預測對氣候模擬最重要的超參數化的對流加熱、潤濕和輻射特征。

Luo等人2007年使用機器學習的貝葉斯方法來融合由多個氣候模型生成的集合季節(jié)性氣候預報，以獲得更好的概率性和確定性預報。研究給出了兩個實例：赤道太平洋海表溫度的季節(jié)預報和俄亥俄河流域的降水預報。這些預報的交叉驗證顯示，與來自氣候模型和氣候預報的原始預報相比，合并預報的均方根誤差和排序概率得分更小，表明確定性和概率性預報技能都有所提高。因此，這種方法在季節(jié)性水文預報中有很大的應用潛力。

三、集合預報

氣溶膠—云的相互作用效應是氣候模式中不確定性的主要來源，因此量化不確定性的來源從而指導研究工作是很重要的。然而，全球氣溶膠模型的計算費用阻礙了對其輸出進行全面的統(tǒng)計分析。Lee等人2013年對一個全球三維氣溶膠微物理學模型進行了基于方差的分析，以量化模型估計的云凝結核當前濃度中參數不確定性的大小和主要原因。根據專家的啟發(fā)，確定了28個模型參數，基本上涵蓋了所有重要的氣溶膠過程、排放和氣溶膠大小分布的表示。然后，基于為每個模型網格單元構建的仿真器的蒙特卡羅型采樣，進行不確定性分析，在全球范圍內改進云活性氣溶膠的建模。

在事業(yè)單位的財務管理方面，應該從事業(yè)單位財務管理中存在的問題出發(fā)，完善財務管理規(guī)章制度，強化預算管理和資金控制，改進財務監(jiān)督體系，以確保事業(yè)單位財務管理的規(guī)范化標準化高效化開展，為事業(yè)單位整體管理的改進完善提供良好的基礎條件。

旱地環(huán)境中的土地退化和沉積物再活化被認為是一個重大的全球環(huán)境問題。鑒于目前穩(wěn)定的沙丘系統(tǒng)在氣候變化和人類活動壓力增加的情況下有可能重新激活，確定外部擾動在驅動地貌響應中的作用至關重要。Buckland等人2019年開發(fā)了一種新的方法，使用人工神經網絡(ANN)應用于內布拉斯加州沙丘歷史再活化—沉積事件的時間序列，以確定半干旱草原上歷史時期的沙沉積與外部氣候條件、土地利用和野火發(fā)生之間的關系。結果表明，植被生長和沉積物再沉積事件都可以準確估計。單個因素的敏感性測試表明，當氣候保持在目前的條件下時，局部強迫(過度放牧和野火)具有統(tǒng)計上的顯著影響。然而，主要的影響是氣候引起的干旱。此方法有很大的潛力，可以估計未來景觀對各種潛在脆弱旱地環(huán)境的氣候和土地利用情景的敏感性。

三維模擬屬于前期階段的工程項目，相關工程設計人員需要在模擬系統(tǒng)內錄入相關的工程設計參數，并結合現有條件將工程建設的三維模擬圖進行呈現，在三維環(huán)境下的工程模擬真實度更高，對細節(jié)的把控更為全面，能夠在施工前期階段對可能發(fā)生的工程設計問題進行解決，避免施工工程方案與工程設計方案不符，確保各個施工環(huán)節(jié)的一致性，幫助工程施工建設人員更為有效的了解基礎工程建設項目。

四、氣候變化影響評估

準確估計珍稀瀕危物種的地上生物量（Aboveground Biomass,AGB）對于保護森林生態(tài)系統(tǒng)和瀕危物種以及為分析過去和未來氣候變化對森林生物量的影響提供有用信息尤為重要。Wu等人2019年使用三個已開發(fā)和兩個廣泛使用的模型，包括廣義回歸神經網絡（Generalized Regression Neural Network,GRNN）、成組數據處理方法（Group Method of Data Handling,GMDH）、自適應神經模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy Inference System,ANFIS）、人工神經網絡（Artificial Neural Network,ANN）和支持向量機（Support Vector Machine,SVM），來估計中國天然林中刺桐AGB的可行性。結果表明，這些模型可以利用有限的氣象數據解釋AGB的變化，建議使用這些先進的模型來估計森林的AGB。

在大型數據集中檢測極端事件是氣候科學研究中的一個主要挑戰(zhàn)。當前極端事件檢測算法建立在人類根據相關物理變量的主觀閾值定義事件的專業(yè)知識之上。通常，多種相互競爭的方法會在同一數據集上產生非常不同的結果。氣候模擬和觀測數據中極端事件的準確描述對于理解氣候變化內容中此類事件的趨勢和潛在影響至關重要。Liu等人2016年首次將深度學習技術應用于氣候極端事件檢測。深度神經網絡能夠從標記的數據中學習一大類模式的高級表示。在這項工作中，我們開發(fā)了深度卷積神經網絡(CNN)分類系統(tǒng)，并證明了深度學習技術在處理氣候模式檢測問題中的有效性。結合基于貝葉斯的超參數優(yōu)化方案，深度CNN系統(tǒng)在檢測極端事件方面達到了89%～99%的準確度。

大氣環(huán)流模型(General Circulation Models,GCMs)是經常用于評估氣候變化影響的氣候模型，它的分辨率較粗，因此從GCMs獲得的模擬結果在相對較小的流域尺度水文過程中可用性不高。Ghosh和Mujumdar2008年提出了一種基于稀疏貝葉斯學習和相關向量機(Relevance Vector Machine,RVM)的統(tǒng)計降尺度方法，以使用GCM模擬的氣候變量模擬季風期(6月、7月、8月、9月)流域尺度的徑流。由美國氣象環(huán)境預報中心(National Centers For Environmental Prediction,NCEP)和美國國家大氣研究中心(NCAR)聯合制作的再分析數據被用于訓練模型，以建立徑流和氣候變量之間的統(tǒng)計關系。由此獲得的關系用于預測GCM模擬的未來徑流。統(tǒng)計方法包括主成分分析、模糊聚類和RVM。不同的核函數用于比較目的。該模型被應用于印度的馬哈納迪河流域。將使用RVM獲得的結果與最先進的支持向量機(SVM)的結果進行比較，以展示RVMs相對于SVMs的優(yōu)勢。

發(fā)展中國家農業(yè)生產率的提高被認為在減貧中發(fā)揮了關鍵作用。但在世界大部分地區(qū)，這種生產率仍然沒有得到很好的衡量，這阻礙了評估和瞄準提高生產率干預措施的努力。Burke和Lobell在2017年使用高分辨率衛(wèi)星圖像，結合從肯尼亞數千塊小農土地上收集的田間數據，運用隨機森林等方法估計了非洲小農的田間產量變化。結果表明該方法對衡量具體干預措施的影響、描述收益差距的來源和規(guī)模以及開發(fā)針對非洲小農戶的金融產品都有潛在能力。

Goyal等人2014年研究了人工神經網絡(ANN)、最小二乘支持向量回歸(Least Squares - Support Vector Regression,LS-SVR)、模糊邏輯和自適應神經模糊推理系統(tǒng)(ANFIS)技術在提高亞熱帶氣候下日蒸發(fā)量估計準確性方面的能力。通過比較發(fā)現，模糊邏輯和最小二乘支持向量回歸方法可以成功地應用于從現有氣候資料模擬日蒸發(fā)過程，機器學習模型優(yōu)于傳統(tǒng)的經驗方法。

干旱是水循環(huán)的間歇性干擾，深刻影響著陸地碳循環(huán)。然而，耦合的水循環(huán)和碳循環(huán)對干旱的響應和潛在的機制仍然不清楚。Yang等人2016年提供了第一個全球綜合的干旱對生態(tài)系統(tǒng)水分利用效率影響的數據WUE(Water Use Efficiency)。使用數據自適應機器學習方法構建兩個觀測WUE數據集，發(fā)現WUE對干旱的反應在干旱(WUE隨著干旱而增加)和半干旱/半濕潤生態(tài)系統(tǒng)(WUE隨著干旱而減少)之間形成對比，這歸因于生態(tài)系統(tǒng)過程對水文氣候條件變化的不同敏感性。干旱生態(tài)系統(tǒng)的WUE變率主要受物理過程(即蒸發(fā))控制，而半干旱/半濕潤地區(qū)的WUE變率主要受生物過程(即同化)調節(jié)。同時多年來水文氣候條件的變化會加劇干旱對WUE的影響。結果表明，未來的干旱事件，加上氣候變率的增加，將進一步威脅半干旱/半濕潤生態(tài)系統(tǒng)，并可能導致生物群落重組，首先是低生產力和高水分敏感性的草地。

左岸高程600m以下為陡壁，地下水位略高于金沙江水位，埋深30m。巖體透水率總體上隨埋深增加，透水率逐漸減小，且具有一定的分帶性。巖體以弱透水為主，弱卸荷或弱風化巖體透水率一般大于5Lu，相對隔水層頂板埋深在67～100m。

在歷史全球平均溫度數據上，在線學習算法的平均預測損失幾乎與事后表現最好的氣候模型相匹配。此外，它的性能超過了平均模型預測，這是氣候科學的默認做法，中值預測和最小二乘線性回歸。通過對2098年的氣候模型預測進行實驗。使用任何一個氣候模型的預測來模擬標簽，發(fā)現在線學習算法相對于其他氣候模型和技術顯著提高了性能。同時針對非洲、歐洲和北美的特定地理區(qū)域進行了IPCC全球氣候模型溫度預測實驗。在年度和月度時間尺度的歷史數據上，以及在未來的模擬中，學習算法通常優(yōu)于每個地區(qū)的最佳氣候模型和線性回歸。值得注意的是，學習算法始終優(yōu)于當前基準模型的平均預測。

五、氣候數據集改進

淡水資源具有很高的社會相關性，在當前氣候變化的背景下，了解其過去的可變性對于水資源管理至關重要。Ghiggi等人2019年進行了了1902年至2014年期間全球網格月徑流的重建。徑流觀測用于訓練機器學習算法，該算法基于來自大氣再分析的前期降水和溫度來預測月徑流率。這種重建的準確性通過交叉驗證進行評估，并與大型河流流域的獨立流量觀測值進行比較。與13個最先進的全球水文模型徑流模擬的集合相比，所提供的數據集與徑流觀測值的一致性更好，使其成為大規(guī)模水文氣候過程研究、水資源評估以及評估和完善現有水文模型的理想候選。

在過去的20年里，大量的研究采用了基于人工神經網絡的遙感信息降水量估算的產品(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks ,PERSIANN)。目前，PERSIANN提供了幾種基于不同空間和時間尺度的不同算法的降水產品。Nguyen等人2018年概述了可用的PERSIANN降水反演算法及其差異，使用氣候預測中心基于統(tǒng)一規(guī)范的分析作為基準，在不同的空間和時間尺度上對美國可用的業(yè)務產品進行了評估，挖掘PERSIANN產品的優(yōu)勢和局限性，并提出了未來將通過進一步整合深度學習算法改進該數據集。

全球歷史氣候網絡每日數據庫包含全球各地氣象站的每日最高和最低溫度等變量。如果不考慮由于收集觀測值的時間造成的偏差，基于每日最低和最高溫度的氣候匯總統(tǒng)計數據將是不準確的。Rischard等人2018年提出了一種新的方法來解決這個問題：通過從附近記錄每小時溫度的站點信息來估算測量位置的每小時溫度，然后可以使用這些信息來創(chuàng)建溫度極值的準確匯總。關鍵的困難是溫度曲線的這些插補必須滿足落在觀察到的每日最小值和最大值之間的限制，并且在24小時內至少達到一次這些值，通過開發(fā)一個時空高斯過程模型，用于輸入來自附近站點的每小時測量值，然后開發(fā)一種新穎且易于實現的馬爾可夫鏈蒙特卡羅算法，用于從滿足上述約束的后驗分布中進行采樣。結果顯示，插補的溫度很好地恢復了隱藏的溫度而且該模型可以利用數據中包含的信息來推斷每天測量的時間。

過去一個世紀，特別是最近二十年，降水特征發(fā)生了前所未有的變化，這給社會帶來了嚴重的社會經濟問題，如水文氣象極端事件，特別是洪水和干旱。這些變化的根源在于不斷變化的氣候條件，然而，它的威脅性影響只能通過十年降水預測(Decadal Precipitation Predictions ,DPPs)的規(guī)劃來處理。由于降水預測的復雜性，DPP代表了一個非常具有挑戰(zhàn)性的前景。由于有限的技術和粗糙的空間分辨率，由大氣環(huán)流模式(GCMs)提供的DPPs不能直接用于影響評估。Salvi等人2017年基于九個GCM量化美國大陸DPPs的季節(jié)性和區(qū)域性平均技能，通過應用基于線性和核回歸的統(tǒng)計降尺度方法來解決與有限技能和分辨率相關的問題。這兩種統(tǒng)計方法都顯示出相對于原始GCM數據的改進，特別是在長期統(tǒng)計特性和不確定性方面。

針對訓練科目制定合理崗位標準作業(yè)大練兵流程，同時理論結合實際，在訓練課目中加強對崗位標準作業(yè)流程的培訓與考核，通過規(guī)范崗位大練兵培養(yǎng)隊員處理應急事件的正確行為，保證隊員自身安全的同時也提高了隊員的應急反應與處置能力。

六、氣候預測

（一）遙相關預測

Chattopadhyay等人2013年提出了一種基于自組織映射(Self-Organizing Map,SOM)算法的非線性聚類技術，用于識別馬登-朱利安振蕩（Madden Julian Oscillation, MJO）在其生命周期中的水平和垂直結構。MJO的SOM描述不需要季節(jié)內帶通濾波或主導模式的選擇。SOM基于所選變量的狀態(tài)相似性來定義MJO階段。由SOM定義的給定MJO階段的降雨相關變量的空間模式不同于其他階段的模式。與其他MJO診斷方法相比，SOM具有其獨特的特征，是提取MJO信號的可靠且有用的工具。

整個熱帶地區(qū)的地表溫度變化表現出不同程度的空間一致性，然而這種一致性還沒有得到很好的描述。大面積地理區(qū)域同時出現的多年高溫異常有可能對糧食生產和社會發(fā)展產生不利影響。Yang等人2019年通過對過去六十年廣泛溫度測量之間的相關性進行聚類分析，發(fā)現70年代后期發(fā)生了重大變化。兩個空間集群合并為一個主導的空間集群，因此，大多數熱帶陸地區(qū)域同時經歷較暖的年份，確定了與太平洋年代際濤動(Pacific Decadal Oscillation ,PDO)的陸地熱帶聯系。

Liess等人2017年提出沃克環(huán)流與北半球極地地區(qū)的溫帶波有關，在北半球冬季，這些波從中亞向東南傳播到西太平洋暖池。波動模式類似于東大西洋—西俄羅斯模式，并影響厄爾尼諾—南方濤動(El Ni?o-Southern Oscillation ,ENSO)區(qū)域。西西伯利亞平原和ENSO兩個活動中心之間的三極模式表明，ENSO相對于全球海平面氣壓(Sea Level Pressure ,SLP)的背景狀態(tài)與西西伯利亞平原有顯著的負相關。由ENSO的兩個作用中心的總和定義的與背景狀態(tài)的相關性高于單獨與任一ENSO中心的每一個成對相關性。這些中心由檢測具有相似特征區(qū)域的聚類算法來定義。

厄爾尼諾/南方濤動(ENSO)的變化與一系列區(qū)域極端氣候和生態(tài)系統(tǒng)影響有關。因此，穩(wěn)健的長期預測對于管理政策反應將是有價值的。但是，盡管經過幾十年的努力，提前一年以上預測ENSO事件仍然是個問題。Ham等人2019年研究表明，采用深度學習方法的統(tǒng)計預測模型可以在長達一年半的時間內產生熟練的ENSO預測。為了避開有限數量的觀察數據，該研究首先在歷史模擬上使用遷移學習來訓練卷積神經網絡(Convolutional Neural Network ,CNN)，隨后重新分析1871～1973年。在1984年至2017年的驗證期間，CNN模型的Nino3.4指數的全季節(jié)相關技能遠遠高于當前最先進的動力預報系統(tǒng)。CNN模式在預測海面溫度的詳細帶狀分布方面也更好，克服了動力預測模式的弱點。熱圖分析表明，CNN模型使用物理上合理的前兆來預測ENSO事件。因此，CNN模型是預測ENSO事件和分析其相關復雜機制的有力工具。

（二）極端氣候預測

目前，地表吸收的太陽能有一半以上用于蒸發(fā)水分。氣候變化預計會加劇水文循環(huán)并改變蒸散量，對生態(tài)系統(tǒng)、區(qū)域和全球氣候的反饋產生影響。蒸散量的變化在全球范圍內缺乏直接的觀測約束，陸地水循環(huán)的變化、氣候變化和可變性影響的關鍵診斷標準仍然不確定。Jung等人2010年提供了一個從1982年到2008年全球陸地蒸散的數據驅動的估計，整合使用了全球監(jiān)測網絡、氣象和遙感觀測以及機器學習算法。此外，使用基于過程的陸面模式集合評估了同一時期的蒸散變化。

雙語教育對于我們來說是個機會又是個挑戰(zhàn)，任務很艱巨，對于未來電子信息工程專業(yè)的雙語教學有幾點建議：(1)學校加大支持力度。(2)找到雙語課程所在總體專業(yè)課程中的比例。(3)針對不同的學生設置不同的教學任務。因此我們雙語教學道路還很漫長。

一個完善、運行良好的財務管理系統(tǒng)不僅能夠幫助企業(yè)規(guī)避相關的財務風險，提高投資、籌資的效率，更是企業(yè)內部審計體系中重要的一個環(huán)節(jié)。企業(yè)財務管理系統(tǒng)和內部審計系統(tǒng)兩者相輔相成，具有緊密的協(xié)同效應。

對未來干旱的預測是評估干旱事件對重要水資源、農業(yè)、生態(tài)系統(tǒng)和水文的不利后果的有效緩解工具。使用機器學習算法的數據驅動模型預測是實現這些目的的有希望的原則，因為它們需要較少的開發(fā)時間、最少的輸入，并且比動態(tài)或物理模型相對簡單。Deo和 Sahin2015年使用1957～2008年訓練的輸入數據和2009～2011年期間預測的月度干旱指數，驗證了一種計算簡單、快速和有效的非線性深度學習算法，稱為極限學習機(Extreme Learning Machine ,ELM),用于預測澳大利亞東部的有效干旱指數。預測指標證明了ELM在所有測試點優(yōu)于ANN模型的性能。此外，ELM模型的學習速度比ANN模型快32倍，訓練速度比ANN模型快6.1倍。ELM模型對干旱持續(xù)時間和嚴重程度的預測能力得到了提高，所以ELM是預測干旱及其相關特性的更快捷的工具。

降水不足引發(fā)的干旱受溫度和蒸發(fā)蒸騰等各種環(huán)境因素的影響，導致缺水和作物歉收問題。在Park等人2016年的研究中，來自中分辨率成像光譜儀和熱帶降雨測量衛(wèi)星傳感器的16個基于遙感的干旱因素被用于監(jiān)測美國不同氣候區(qū)域 2000～2012 年生長季節(jié)的氣象和農業(yè)干旱，時間尺度為1～12個月的標準化降水指數和作物產量數據分別用作氣象和農業(yè)干旱的參考數據。通過隨機森林、增強回歸樹等機器學習方法對16個基于遙感的干旱因素與現場參考數據之間的關系進行建模，這些方法在許多回歸任務中被證明是穩(wěn)健和靈活的。結果表明，隨機森林產生了最好的性能用于標準化降水指數預測。

這些年來，我一直在外面漂泊，經過許多風風雨雨，依然孤身一人。兩年前我有一個女朋友，但她為了自己的理想遠渡重洋到他鄉(xiāng)。離別時，她曾對我說，過些時日會回到我身邊與我長相廝守。我很愛她，為了珍惜這份得來不易的感情，一個人在老地方苦苦地等了兩年還不見她回來，也沒有半點她的消息。我相信她一定會遵守諾言回到我身邊。從見到你的第一眼起，我發(fā)現你跟我女朋友長得很像。備受相思煎熬的我常把你當作我的女朋友，跟你在一起的時候感覺就像跟女朋友在一起，消除了內心世界里的一切痛苦相思！我知道這樣對你很不公平，可是我無法拒絕你的美。

氣候模型是復雜的數學模型，由氣象學家、地球物理學家和氣候科學家設計，并作為計算機模擬運行，以預測氣候。來自世界各地不同實驗室的20個全球氣候模型的預測差異很大，這些模型為政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change,IPCC)提供信息。給定來自20個IPCC全球氣候模型的溫度預測，以及超過100年的歷史溫度數據，Monteleoni等人2011年用深度學習算法對觀測序列進行建模，其中當前最佳氣候模型作為隱變量。

就這樣，他們和我見了面。見面之后，他們覺得我不僅有知識有學問，還具備良好的修養(yǎng)，更難能可貴的是我才剛剛24歲，而且家境貧寒急需用錢。他們認為我會是一個稱職的“代孕媽媽”。而我得知了陳清夫婦的坎坷遭遇，看著這對經歷了太多磨難的夫妻飽含希冀的眼神，不禁欣然同意為他們孕育孩子。

Belayneh等人2016年探討了耦合機器學習模型和集成技術預測埃塞俄比亞阿瓦什河流域干旱狀況的能力，探索了小波變換與自舉和增強集成技術開發(fā)可靠的人工神經網絡和支持向量回歸模型用于干旱預測的潛力。小波分析被證明可以改善干旱預測并改善所有模型的預測結果。

（三）中國區(qū)域氣候預測應用

夏季降水的季節(jié)預報對減少區(qū)域性災害至關重要，但目前預報水平較低。Wang等人2021年基于中國科學院靈活全球海洋—大氣—陸地系統(tǒng)有限體積2代版本模式(Flexible Global Ocean-Atmosphere-Land System Model finite volume version 2,FGOALS-f2)動力預報模式的環(huán)流場，開發(fā)了一種動力和機器學習混合(Dynamical and Machine Learning hybrid,MLD)的中國夏季降水季節(jié)預報方法。通過為三種機器學習方法選擇最佳超參數以獲得最佳擬合和最小過擬合，隨機森林和梯度增強回歸樹方法的集合均值顯示出以異常相關系數衡量的最高預測能力。該技能在歷史交叉驗證期(1981～2010年)的平均值為0.34，在獨立預測的10年期(2011～2020年)的平均值為0.20，顯著提高了400%的動態(tài)預測能力。減少過擬合和使用最佳動態(tài)預測在MLD方法的應用中都很重要，對這些方法的深入分析值得進一步研究。

與我國旱澇災害密切相關的降水變化，每年影響著數十億人。然而，比天氣預報難度更大的次季節(jié)預報在很長一段時間內仍是氣象服務的一個空白領域。為了提高中國降水的次季節(jié)預測精度，Wang等人2021年引入了機器學習方法，提前2～6周對中國降水進行預測，使用一種稱為局部線性回歸的非線性回歸模型和多任務特征選擇(Local Linear Regression together with Multitask Feature Selection ,MultiLLR)模型，選擇21個氣象要素作為候選預報因子來整合不同的氣象觀測數據。該方法通過多任務特征選擇過程，自動剔除無關預測因子，建立預測方程。該方法可為中國降水的次季節(jié)預測提供有效的指導。通過在MultiLLR模型中加入另外三個因子，即北極濤動指數、西北太平洋季風指數和西北太平洋副熱帶高壓指數，發(fā)現北極濤動能指數最大程度地提高對中國降水的預報能力，其次是西北太平洋副熱帶高壓指數。此外，該模式和美國國家環(huán)境預報中心CFSv2模式的集合可以將CFSv2對中國降水的次季節(jié)預報技術提高近40%。這一工作表明，MultiLLR模式將有助于我國次季節(jié)降水的預測。

長江流域的中下游是中國人口最稠密的地區(qū)之一，洪水頻繁。He等人2021年采用預測因子重要性分析模型對預測因子進行分類和篩選，并采用五種方法(多元線性回歸(Multiple Linear Regression,MLR)、決策樹(Decision Tree,DT)、隨機森林(Random Forest,RF)、反向傳播神經網絡(Back Propagation Neural Network,BPNN)和卷積神經網絡(CNN))對長江流域中下游夏季降水的年際變化進行預測。八個氣候模型的預測被用于比較。在五種測試方法中，RF顯示出最好的預測能力。當從冬季開始預測時，RF、DT和氣候模型都顯示出比早春更高的預測技能，并且RF、DT和MLR方法都顯示出比數值氣候模型更好的預測技能。缺乏訓練數據是限制機器學習方法性能的一個因素。未來的研究應該使用深度學習方法，充分利用海洋、陸地、海冰和其他因素的潛力，進行更準確的氣候預測。

Fan等人2023年使用基于深度學習的堆疊式自動編碼器進行非線性降尺度，以在早期壓縮氣候變量的自由度。研究從中國東部四個地區(qū)的夏季降水中提取氣候因子特征，從中識別出影響各地區(qū)夏季降水的關鍵氣候因子。在此基礎上，采用包括機器學習方法中的隨機森林在內的多種回歸方法，構建各區(qū)域關鍵氣候預測因子的預測模型。通過模型參數對預測結果的敏感性試驗，確定了最佳模型參數。幾年的預報表明，該方法對中國東部降水的預報有很高的技巧，特別是在中國南方。結果表明，該模型在區(qū)域預測中的異常一致性優(yōu)于主流模式。與主流模式相比，華南地區(qū)的預測結果可提高10%以上。該方法在中國東部夏季降水預測中具有良好的應用前景。

盡管近年來取得了重大進展，但中國季節(jié)性降水的預報技術仍然有限。Jin等人2022年開發(fā)了一個基于深度學習的中國季節(jié)性降水統(tǒng)計預測模型。使用同期大氣環(huán)流數據對模型進行訓練，以學習季節(jié)性降水的分布。首先，用幾個大氣環(huán)流模型(GCM)的回報結果對其進行了預訓練，對測試集的評估表明，預訓練的模型基本上可以再現GCM預測的降水，其異常模式相關系數(Pattern Correlation Coefficients,PCCs)大于0.80。然后，利用ECMWF再分析資料(ECMWF Reanalysis v5,ERA5)資料和中國區(qū)域網格降水觀測資料進行遷移學習，進一步修正模型中的系統(tǒng)誤差。結果表明，以再分析得到的大氣環(huán)流場作為輸入，該混合模式對中國的季節(jié)降水模擬效果較好，PCC達到0.71。此外，還評估了使用GCMs預測的環(huán)流場作為輸入的結果?？偟膩碚f，與原始的GCM輸出相比，建議的模型在1～4個月的時間內將中國的PCC提高了0.10～0.13。這種深度學習模型在過去兩年中已被中國氣象局國家氣候中心用于為中國夏季降水預測提供指導，并且表現非常好。

七、結語

隨著人工智能的蓬勃發(fā)展，機器學習等關鍵技術領域都取得了長足的進步。通過人工智能強大的學習和計算能力，對不同的氣候數據類型使用最為匹配的算法，捕捉氣候大數據的潛在特征，通過人工智能模型訓練可以獲得最佳的預測結果，通過上文的梳理可以發(fā)現國內外的大量專家學者都已取得顯著的研究進展。

但目前人工智能氣候預測的準確率、穩(wěn)定性、預測產品多樣化與精細化需求等方面還需進一步的提高。第一，需要與更多的氣候模式產品相結合，比如區(qū)域氣候模式產品和大氣環(huán)流模式產品等，進一步提高人工智能氣候預測產品的時空分辨率，進而提升氣候遙相關、極端氣候、集合預報等氣候預測產品的質量。第二，需要在氣候預測中引入隨著人工智能技術發(fā)展而更為成熟、先進的深度學習方法，進一步拓寬升級人工智能氣候預測的技術數字工具箱，提高氣候預測的準確性。

總的來說，人工智能在氣候預測領域大有可為，應將人工智能充分融入氣候預測，進一步提升氣候預測技術和能力，以幫助人類更好地應對日益復雜的區(qū)域、全球的氣候變化和極端氣候事件。