气象人工智能技术与应用

认知智能 AI气象大模型的发展 1.建立夏季降水的深度学习预测模型 通过监督学习/无监督学习的思路，将卷积神经网络等深度学习方法应用在夏季降水的季节预测中， 通过观测资料和动力模式数据（季节模式，CMIP6）建立基于模式季节预测结果和前期观测信息的汛期降 2.前兆信号和影响机理的识别 3.模式误差来源的分析和评估 1月–启动分析研判工作2月-3月-召开汛期全国气候趋势预测会商会；3月23日起，中国气象局首次面向公众发布气候预测信息4月–中国气象局举行新闻发布会，发布全国汛期气候趋势预测结果5月-召开汛期气候趋势预测滚动订正6月–召开汛期气候趋势预测第二次滚动订正9月-汛期全国气候趋势预测检验评估 受季风、地形等影响，我国汛期（6-8月）总 上图来源：国家气候中心;吴捷等, 2017,大气科学; Wang et al., 2009,CD Reichstein etal., 2019,Nature;Lecunet al., 2019, Nature 使用21个CMIP5模式数据对深度学习模型进行预训练，使用观测、再分析资料对模型参数进行订正 提前18个月预测1997/98ENSO事件： 深度学习模型准确模拟了预测因子对1997/98年厄尔尼诺的影响：热带西太平洋热容量正异常，印度洋偶极 利用深度学习识别ENSO事件： 模型可视化方法optimal input显示，神经网络准确识别了ENSO指数的定义区域为赤道中东太平洋。 Ham et al., 2019,Nature;Benjamin et al., 2019,arXiv SEasonalDEep-learningSystem SEDES可以对某特定环流配置下季节降水各EOF模态对应的PC系数值进行预测。 SEDES应用 （Zeileretal.，2014） （Ham etal.,2022） 料，计算降水ACC变化，评估优化不同区域环流预测效 （Olah,2017） SEDES应用 3.利用模型的可解释性，可进一步分解深度学习模型的误差来源，为分析同期 WINDES设计思路 不同省WRF风速预报结果与LSTM、Attention+LSTM、BP神经网络的结果在测试集上 0-24h：0-24小时预报24-48h：24-48小时预报48-72h：48-72小时预报 “WRF”：WRF预报结果；“ATTN”：Attention+LSTM结果；“LSTM”：LSTM结果；“MLP”：对照试验结果 某省四个风电场的72小时风速预报均方根误差 风速：m/s WRF模式的网格以及参数设置 太阳辐射短期预报 太阳辐射超短期预报 •实验地点：新疆五家渠•44°24' 23'' N, 87°39' 22‘’ E•全球水平辐照度（GHI）观测:光伏电站内观测站 每10分钟一次•天空图像采集EKO ASI-16每5分钟一次 关键算法:AARes–ConvLSTM 注意力增强下的残差网络（Attention-augmentedResNet） •通过注意力增强卷积网络（AACN）增强ResNet-18，通过关注输入中更重要的部分，克服传统卷积神经网络的局限。 卷积长短期记忆网络（ConvLSTM） •LSTM在保留长期依赖关系和解决传统递归神经网络（RNN）中常见的梯度消失问题方面有优势，确保了序列图像的高效处理。 1. Persistence Model2. Basic ANN3. Stacked CNN (Feng et al. 2022)4. 3DCNN (Feng et al. 2022)5. 3DResNet (ResNetwithout LSTM & attention)6.ResNet-ConvLSTM (ResNet-ConvLSTM without attention)7.AARes-ConvLSTM 1.GHCN(GlobalHistoricalClimatologyNetwork)-Daily（1979-2021） 2.RussianNorthPoledriftstations（1979-1991&2003-2012） ·来自AARI（ArcticandAntarcticResearchInstitute）的冰上的站点数据 ·从1937年开始，一直到1991年结束；2003年后仍有数据。 3.Buoydata（1979-2021） ·由IABP（InternationalArcticBuoyProgramme）进行数据汇集 4.ICOADSR3.0（1979-2021） ·提供1662年至今海洋观测数据·包括气温、海表面温度、海表面气压等·观测数据经过质量控制，随时间更新 x′=WT(XM)sum(1)sum(M)+b,0, ifsum(M)>0otherwise m′=1,if sum(M)> 00,otherwise 通过对比：ERA-interim和ERA5表现最好 Lindsay et al.(J. Clim., 2014)对比了NCEP-R1、NCEP-R2、CFSR、20CR、MERRA、ERA-Interim、JRA-25再分析数据在北极地区的表现。 Jakobson et al.(Geophys. Res. Lett., 2012)对比了ERA-Interim、JCDAS、NCEP-CFSR、NCEP-DOE、NASA-MERRA再分析数据在北极地区的表 Graham et al.(Geophys. Res. Lett., 2019)对比了ERA5、ERA‐Interim、JRA‐55、CFSv2、MERRA‐2再分析数据在北极地区的表现。 Wang et al.(Cryosphere, 2019)对比了ERA-Interim、ERA-5再分析数据在北极地区的表现。 结果表明：ERA5、ERA-I效 ERA-I效果较好，而在较暖时期ERA5效果更好。 结果表明：ERA-I效果最好。 结果表明：ERA-I效果最好。 CRU陆地站点观测 •2011-2018年，重建结果与6个预留的观测站的相关系数分别为0.996、0.981、0.962、0.985、0.995和0.973，重建效果与两套再分析数据相当。 对于北极放大效应的估计，重建结果高于其他全球温度数据（3.78±0.14） 1.可解释性2.物理一致性3.求解PDE方程4.有限的样本5.巨大的计算需求 1.更准的目标识别2.更高的预测能力3.更快的预测效率 FourCastNetby NVIDIA •使用40年ERA5数据，10TB•分辨率0.25度（720×1440 pixels）•比IFS模式快45,000倍•在Typhoon和Atmospheric River预报上 Pangu-Weather •使用43年ERA5数据，hourly，~30TB•分辨率0.25度（720×1440 pixels）•AI预报能力首次超过IFS•迭代预报误差累计、依赖于NWP、降水预报 Principles of physics-informed learning 办公室：清华大学蒙民伟科技大楼南楼S-807 固定电话：010-62788891手机号码：13911316530电子邮箱：yongluo@tsinghua.edu.cn微信号：JakeYLuo THANKS