2024年气象人工智能技术与应用报告_85页_20mb

人工智能在气象领域的应用与进展

历史与发展

人工智能（AI）源于1956年达特茅斯会议，经历符号AI、专家系统和大数据驱动的深度学习等发展阶段。第三代AI以深度学习为代表，强调从数据中自动学习特征。AI在气象领域的应用兴起于2018年后，得益于机器学习在数据处理和预测方面的优势。

气象AI应用

• 主要模型：北美机构如谷歌DeepMind和欧洲中期天气预报中心（ECMWF）开发了如GraphCast、风清、风雷等AI模型，提升天气预报精度和速度，分辨率达0.25°，较传统模式快数千倍。
• 智能气候预测：通过深度学习（如卷积神经网络CNN）结合数值模式数据，进行季节性降水预测，使用可解释技术如梯度CAM和输入优化分析环流异常，提高预测准确性，例如在中国汛期降水预测中ACC达0.37。
• 风速和太阳辐射预报：系统如WINDES和SOLARES整合中尺度模式（如WRF）与机器学习，采用LSTM和CNN处理序列数据，降低均方根误差（RMSE），应用于风电场和光伏电站。
• 北极温度重建：使用深度学习填补观测缺口，基于卫星和再分析数据重建格点温度，与观测相关系数达0.997，揭示北极快速升温趋势（升温速率从0.4℃/10a增至0.792℃/10a）。

机遇与挑战

• 优势：AI提升预测准确性、效率和泛化能力，解决传统模式局限如云辐射参数化。
• 挑战：模型可解释性不足，有限样本和庞大计算需求；需确保物理一致性。

未来方向

• 智能模式演进：从数据驱动向物理融合发展，提出1.0版本的模块替换、2.0版本的模式替代、3.0版本的混合驱动。
• 发展战略：加强AI与气象科研结合、推广标准、促进产学研合作，并发展AI地球系统模式，整合多圈层变量以提升次季节到季节预测能力。

推进建议

• 攻关关键技术、制定标准。
• 促进国际合作与人才培养。
• 推动气象AI业务化应用。