深度学习与气象应用探讨

王亮 牛剑 窦硌

摘 要 人工智能的迅猛发展，在图像识别，语言处理等领域取得了巨大进步，对气象领域的发展有巨大的启示作用，为未来气象预报提供了新的方向。

关键词 深度学习;气象;预报

伴随着计算机技术的迅猛发展，深度学习开启了人工智能新时代。以深度学习为代表，伴随其在计算机视觉、语音识别、自然语言处理等领域取得的突破性进展，新技术创新带来的不仅是挑战，同时也给气象预报和监测技术的发展带来了新思考和新方向。

1深度学习

1.1 深度学习的基本概念

深度学习是以建立深层结构化模型为目标的机器学习，是机器学习中一种基于对数据表征学习的方法，基于神经网络建立模拟人脑分析、学习的模型，模仿人脑机制识别目标，感知信息，通过组合底层特征形成更抽象的高层表示属性类别或特征，以发现数据分布式特征表示，深度学习示意图[1]。

1.2 深度学习模型

同机器学习方法一样，深度学习方法也有生成模型与判别模型之分，不同学习框架下的学习模型不同。

（1）卷积神经网络。①概念。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。卷积神经网络（CNN）是人工神经网络的一种，是一种前馈神经网络，是为识别二维形状而特殊设计的一个多层感知器，这种网络结构队平移、比例缩放、倾斜或者其他形式的变形具有高度不变性。CNN本质上是一种输入到输出的映射，它能够学习大量的输入与输出的指尖的映射关系，而不需要任何输入和输出指尖的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。②基本结构。a.输入层：用于数据的输入。b.卷基层：卷基层是卷积核在上一级输入层上通过逐一华东窗口计算而得，卷积核中的每一个参数都相当于传统神经网络中的权值参数，与对应的局部像素相连接，将卷积核的各个参数与对应的局部像素值相乘之和，得到卷基层上的结构。c.激励层：由于卷积也是一种线性运算，因此需要增加非线性映射。使用激励函数：f（x）=max（x，0）。d.池化层：进行下采样，对特征图稀疏处理，减少数据运算量。e.全连接层：CNN尾部进行重新拟合，减少特征信息的损失。f.输出层：最后输出结果。③训练过程。a.向前传播阶段。从样本中取一个样本（X，YP），将X输入网络;计算相应的实际输出OP。在此阶段，信息从输入层经过逐级变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在这个过程中，网络执行的是计算，实际上就是输入与每层的权值矩阵相点乘，得到最后输出结果：。b.向后传播阶段：计算实际输出Op与相应的理想输出Yp的差;按极小化误差的方法反响传播调整权矩阵。

（2）深度置信网络。①概念。深度置信网络（DBNs）是一个概率生成模型，与传统的判别模型的神经网络相对，生成模式是建立一个观察数据和标签之间的联合分布，对P（Observation|Label）和P（Label|Observation）都做了评估，而判别模式仅仅评估了后者。②基本结构。DBNs是有多个限制玻尔兹曼机（RBM）层组成，一个典型的DBN结构。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接，隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。③训练过程。训练深度置信网络，需要充分训练上一层RBM后才能训练当前层的RBM，直至最后一层。a.通过一个非监督贪婪逐层方法去预训练获得生成模型的权值，可视层生成一个向量v，通过它将值传递到隐层;b.可视层输入被随机选择，以尝试重构原始的输入信号;c.权值更新：新的可视的神经元的激活单元将前向传递重构可视单元，获得h，后再映射给隐层。d.DBN可以利用带标签的数据以BP算法对判别性能做调整。

2深度学习在气象领域的应用

深度学习在气象领域的应用，一方面，基于数值预报机理的数理统计形成复杂预报模型、预报方法;另一方面，基于大数据技术的数据挖掘、机器学习等方法，研究深度学习预报模型或预报机器人[2]。

2.1 天气系统识别

在视频流中实时发现目标及其运动情况，是当前深度学习技术的一个重点，在历史气候数据中发现极端天气系统的情况与之非常相似。基于这个思路，开发的深层卷积神经网络天气识别系统，用气候数据进行网络训练，已经有相当高程度的天气系统识别准确率。

2.2 卫星云图识别和云量计算

云图判别研究，首先，对样本进行归一化处理，一次作为卷积神经网络的输入。其次，建立卷积神经网络，然后进行训练，利用样本再进行测试。第三，对卷积神经网络从网络层数、滤波器个数、滤波器大小等几个方面进行优化。第四，在运用训练后的CNN对卫星云图检测的基础上，进行云量計算。比较传统方法，卷积神经网络的计算准确率相对较高。

3对气象保障的影响

3.1 对气象保障的影响

一方面，深度学习在气象领域的逐渐展开，从天气系统识别到气象要素预报的全方位应用，以及深度学习模型的逐渐完善，使得数值预报模式的精度增加和范围扩充，气象保障的精确性会有大幅度的提升;另一方面，人工智能的气象预报模式和气象预报机器人的发展，进一步对当前预报保障模式提出了挑战，需要不断地改进保障模式，提高人机协作效率[3]。

3.2 对预报员的影响

当前，预报员的优势在于丰富的经验和对关键天气形势的把握。在预报的初级阶段，预报员多年的预报经验可以用来“喂养”机器和模式;而在模型和智能化水平越来越高、人工订正的空间越来越小时，一部分预报员将会投入技术研发，而另一部分预报员将主要转向对关键转折性天气过程和气象解释等的气象服务工作中。

参考文献

[1] 赵勇.构大数据-大数据技术及算法解析[M].北京：电子工业出版社，2015：101.

[2] 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.

[3] Lorenz E N.Deterministic Nonperiodic Flow[M].The Theory of Chaotic Attractors.Springer New York，2004：217.