深度学习在气象领域的研究综述--中国期刊网

字体：大中小

首页> 原创作品> 正文

深度学习在气象领域的研究综述

发表时间：2021/5/6 来源：《中国科技信息》2021年6月作者：高珊

[导读] 深度学习是机器学习领域一个重要的研究方向，近年来在图像处理、自然语言理解、语音识别等领域取得了突破性进展。将深度学习融入气象领域，研究如何整合海量的观测数据，构建更加贴合实际应用需求的模型，以提高气象预报的精细化和准确度，成为基于深度学习的气象领域研究的主要任务。

广西大学高珊 530022

摘要：深度学习是机器学习领域一个重要的研究方向，近年来在图像处理、自然语言理解、语音识别等领域取得了突破性进展。将深度学习融入气象领域，研究如何整合海量的观测数据，构建更加贴合实际应用需求的模型，以提高气象预报的精细化和准确度，成为基于深度学习的气象领域研究的主要任务。本文对基于深度学习的气象预报研究进展情况进行综述，分析其与传统预报方式的区别以及优势，并对其主要的研究方向、应用进展等进行概括、比较和分析。最后，对基于深度学习在气象领域的未来发展趋势进行分析和展望。
关键词：深度学习；气象领域；研究；展望
        1.引言
        早在1986年，机器学习就因为其处理非线性复杂问题的优越性而引起了研究人员的关注，但在此后的近20年间机器学习在气象领域的研究一度进展缓慢，直至2010年后，得益于GPU的广泛应用、异构计算等硬件设施的发展，计算机算力大幅提高，机器学习才得以再一次进入了人们的视野。随着近年来研究的逐步深入，并行计算变得更快、更便宜、更有效。深度学习也被大量运用到生活的各个方面，气象领域也成为了深度学习应用方向之一。天气预报（尤其是降水预报）是气象领域最重要和最具挑战性的任务之一。
        2.国内外研究情况
        天气预报是一个涉及多个专业领域的复杂过程，方法主要被分为数值建模和气象数据的科学处理两个分支，数值建模是基于大型计算机来求解大气压力的物理模型并得到预测结果，气象数据处理是通过统计或机器学习来预测大气的未来发展。按照架构不同，现阶段在气象领域的应用的人工神经网络主要可以分为径向基函数网络（RBFN）和反向传播网络（BPN）两种。
        2.1半径式函数网络（RBFN）
        半径式函数网络（Radial Basis Function Network, RBF）是一种特殊的三层前馈网络，它通过非线性基函数的线性组合实现映射关系。
        2001年Chang等人[1]在对RBFN进行研究后发现，RBFN是一种适用于前3小时降雨径流模型的洪水预报技术。他们认为降雨-径流关系可以看作是一些非线性RBFs的线性组合，通过收集台风期间的兰杨河降雨和径流事件相关数据进行训练、验证和测试网络后，结果表明，RBF神经网络是一种适用于洪水流量预测的方法。
        Maqsood等人[2]在2004年将多层感知器网络（MLPN），艾尔曼递归神经网络（ERNN），RBFN，Hopfield模型（HFM）预测模型和回归技术进行了对比，并通过多种统计手段评估了这七个模型的性能和可靠性。检验结果表明，在天气预报的应用中，HFM的准确性相对较低，而RBFN的可靠性相对较高。相比之下，神经网络的集成产生了最准确的预测。此外Maqsood等人还将RBFN的性能与多层感知器（MLP）网络，Elman递归神经网络（ERNN）和Hopfield模型的性能进行比较（HFM），以检查其在天气分析中的适用性。然后通过多种统计方法评估模型的可靠性。结果表明，与MLP，ERNN和HFM相比，RBFN产生的预测最准确。
        2011年，Joshi和Patel[3]发表了有关使用ANN进行降雨-径流建模的审查报告，在报告中，他们审查了前馈传播（FFBP），径向基函数（RBF）和广义回归神经网络（GRNN）三种神经网络方法，并在研究中尝试了不同数量的隐层神经元和传播常数，结果表明GRNN流量估算性能接近FFBP，RBF和MLR。RBF方法的理论基础在于多元函数的插值领域。精确插值RBF映射的解决方案遍历每个数据点。
        2.2.反向传播网络（BPN）
        神经网络经过培训，可以在各种应用领域中执行复杂的功能，包括预测、模式识别，识别、分类和控制系统等，因此神经网络应用于天气预报能够产生良好的结果，并且被认为是传统气象预报的替代。
        2010年Enireddy等人[4]根据湿度，露点和压力，使用反向传播神经网络模型来预测降雨，且精确达到了可接受的水平。

期刊文章分类查询,尽在期刊图书馆

他们将数据的三分之二用于培训，三分之一用于测试，培训和测试模式的数量分别为250个培训和120个测试。培训中预报准确度达到了99.79％，而在测试中达到了94.28％。
        2011年Kaur和Singh对ANN进行了最低温度预报的测试。该研究使用多层感知器体系结构对预报系统进行建模，并采用了反向传播算法对网络进行了训练以合理的精度预测最低温度，通过使用反向传播算法的前馈ANN模型来识别最低温度并确定特定年份中其他参数的值，例如最大相对湿度，最小相对湿度，最高温度等。
        2011年，El-shafie等人尝试将神经网络和回归技术用于降雨径流预测；Sawaitul等人提出了一种使用反向传播算法对未来天气进行分类和预测的方法，并讨论了过去用于天气预报的不同模型，最后研究得出结论，无线媒体的新技术可以被广泛应用。用于天气预报过程。还得出结论，BPN算法也可以应用于天气预报数据。神经网络能够对天气预报系统进行建模。
        3.对比分析
        在对降水预报的各种人工神经网络架构进行研究后，不难发现20世纪末BPN和RBFN技术已被大多数研究人员所接受并应用于各类预报场景，例如降雨，温度，洪水，降雨径流等。而如今数值建模经过多年的发展，大气物理模型不断完善，正在成为主流的气象预报方法，但由于物理模型的协调性问题，使其在部分情况下依然容易出现预报偏差，另外由于大型数值计算所需时间较长，其在突发性天气、短期天气的预报上面临成本高和响应慢的缺点。
        与之相反，深度学习的模型已经过训练，其预测结果几乎是实时的，因此相较于数值预报方法，特别适合用于中短期、突发性气象预报，具有成本低和响应迅速的优点，但同时由于气象模式的混沌性，深度学习网络的长期预报精度不如数值计算。深度学习在气象预报领域的应用主要有4个特点，一是由于气象数据明显的高维度特征，相比传统BP神经网络，具有多层结构的深度学习模型更适合进行气象预测；二是气象数据具有明显的时间特征，因此深度学习中对时间序列有良好反映的模型，例如RNN-LSTM 模型，其预测效果要明显好于普通模型；三是对气象问题的预测中，为防止出现梯度消失问题，传统的激活函数如tanh 和sigmoid 普遍被新型函数ReLU 代替，说明其高度仿生的神经功能已获得广泛的认可；四是随着气象数据维度的增多，为保证预测精度，模型的复杂性也会随之增加，        例如腾志伟 2017年在对回波图像的预测中，由于图像维度远高于刘鑫达、杨函等人的研究记录，因此使用的模型在原有架构上进行了多次优化。
        深度学习的图像分析识别技术在气象雷达、卫星云图的识别和后期反演预测上应用广泛;基于大量的历史气象数据,对气象要素数据进行预测,深度学习预测效果优于数值预报,但仅适用于稳定的气候条件,对于极端、异常、突发的灾害性天气过程,深度学习无法提前精准预报;天气气候系统是一个耗散的、具有多个不稳定源的高阶非线性系统,其复杂的内部相互作用和随机变化导致了天气气候的可变性和复杂性,未来的发展趋势是将深度学习与数值预报优势互补,利用深度学习、图像识别等技术在短临预报、延伸期预报等方面发挥其优势,成为数值预报的一个有力补充。
        4.发展趋势
        在大数据时代，海量的多媒体数据不断被记录，如何将这些数据利用起来并转换为所需要的信息是我们亟需解决的问题。随着深度模型在气象领域的应用，更多有效的变化模型应运而生，且有很好的表现。建立更有效的深度模型、更庞大且更精确的数据集，仍是该领域发展和进步的方向。将深度模型更好地运用于气象预报分析方法中还存在很多难点和挑战。
综上所述，基于深度学习的气象数据分析模型的发展速度较快，发展空间非常广阔，这将对图像的知识表示产生更有力的支持。
参考文献
[1]陈德辉.薛纪善. 数值天气预报业务模式现状与展望[J]. 气象学报,2004,62(5):623-633.
[2]腾志伟.基于深度学习的多普勒气象雷达回波外推算法研究[D]. 长沙: 湖南师范大学,2017.
[3]金龙，黄颖，姚才等.人工智能技术的热带气旋预报综述（之一）[J]气象研究与应用,2020,1（2）：01－06．
[4]李社宏.气象领域深度学习知识体系框架及前沿应用[J].陕西气象,2018（1）:21-25．
作者简介：高珊（1989.06）壮族，广西南宁人，本科学历，职称：助理工程师，，研究方向：计算机技术。