2024气象人工智能技术与应用报告_86页_7mb

文档内容总结

核心内容

该文档主要介绍了人工智能（AI）的发展历程、不同类型的AI应用以及在气象预测领域中的具体应用实例。内容涵盖从早期符号AI到现代感知智能和认知智能的发展，重点展示了深度学习在气象预测中的作用，包括使用深度学习进行大气河和热带气旋识别、提升温度预测能力、替代数值模型等。文档还展示了多个研究团队和机构在AI气象预测方面的成果，如SEDES系统、WRF模型与AI的结合、以及使用Grad-CAM等技术进行特征可视化。

主要观点

1. AI发展历程：

   • 1956年达特茅斯会议标志着AI的诞生。
   • 早期AI研究主要集中在符号AI上，由John McCarthy等先驱推动。
   • 近年来，AI技术发展迅速，尤其是在深度学习领域，出现了感知智能和认知智能等新的研究方向。

2. 深度学习在气象预测中的应用：

   • 深度学习能够学习表示和特征，无需人工指导。
   • 使用深度学习技术可以提高气象预测的精度和效率，如提升温度预测的有效时间从7天到40天。
   • 通过深度学习可以替代传统的数值模型，如LBM方法，在CFD模拟中实现更快的预报速度。

3. SEDES系统：

   • SEDES（Seasonal DEep-learning System）是一种基于深度学习的季节预测系统。
   • 该系统使用不同的输入方式（如EOF1、EOF3、PC等）进行预测，并在多个年份（2020-2024）中展示了其预测能力（ACC和PS）。

4. WRF模型与AI结合：

   • WRF（Weather Research and Forecasting）模型与AI技术结合，如使用Attention+LSTM、LSTM、MLP等模型进行预测。
   • 比较了不同模型在不同时间段（0-24h、24-48h、48-72h）的RMSE表现，显示出AI模型在提升预测精度方面的优势。

5. 深度学习的特征可视化：

   • 使用Grad-CAM等技术对深度学习模型的预测结果进行可视化分析，以理解模型关注的区域。
   • 通过激活图（Activation Mapping）和贡献图（Contribution Map）展示模型在预测中的关键输入特征。

关键信息

1. 符号AI与先驱者

• 1956年达特茅斯会议：AI的起点，标志着AI作为一门学科的诞生。
• 主要人物：
  • John McCarthy
  • Marvin Minsky
  • Claude Shannon
  • Ray Solomonoff
  • Allen Newell
  • Herbert A. Simon
  • Arthur Samuel
  • Oliver Selfridge
  • Nathaniel Rochester
  • Trenchard More

2. 感知智能与深度学习

• 深度学习：能够学习表示和特征，无需人工指导。
• 主要人物：
  • Yann LeCun
  • Geoffrey Hinton
  • Noam Chomsky
  • Edward Feigenbaum
  • Ilya Sutskever
  • Yoshua Bengio

3. 气象预测中的深度学习应用

• SEDES系统：

  • 使用不同的输入方式进行预测。
  • 预测能力（ACC和PS）在不同年份有所变化。
  • 2020年ACC = 0.23，PS = 81.2
  • 2021年ACC = 0.37，PS = 74
  • 2022年ACC = 0.16，PS = 75
  • 2023年ACC = 0.13，PS = 69.5
  • 2024年ACC = 0.06-0.08，PS = 69.5-75

• WRF模型与AI结合：

  • 使用Attention+LSTM、LSTM、MLP等模型进行预测。
  • 不同模型在不同时间段的RMSE表现：
    • 0-24h：WRF RMSE = 2.70-4.12，AI模型RMSE = 1.46-2.70
    • 24-48h：WRF RMSE = 2.99-4.52，AI模型RMSE = 1.53-2.85
    • 48-72h：WRF RMSE = 3.06-4.64，AI模型RMSE = 1.60-2.89

4. 深度学习在气象任务中的应用

• 机器学习任务：

  • 目标分类与定位
  • 模式分类
  • 超分辨率与融合
  • 统计降尺度与混合
  • 短期预报
  • 视频预测
  • 语言翻译
  • 动态时间序列建模

• 气象任务示例：

  • 使用深度学习进行大气河和热带气旋识别。
  • 提升温度预测能力至40天。
  • 替代传统数值模型进行CFD模拟。

5. 深度学习模型的性能比较

• 不同模型在不同时间段的RMSE表现：
  • 0-24h：WRF RMSE = 2.70-4.12，AI模型RMSE = 1.46-2.70
  • 24-48h：WRF RMSE = 2.99-4.52，AI模型RMSE = 1.53-2.85
  • 48-72h：WRF RMSE = 3.06-4.64，AI模型RMSE = 1.60-2.89

6. 特征可视化技术

• Grad-CAM：用于展示深度学习模型关注的区域，帮助理解模型预测的依据。
• 激活图：显示模型在不同输入特征上的关注点。
• 贡献图：展示不同输入特征对预测结果的贡献程度。

7. 具体应用案例

• ERA5数据：用于气象预测，展示不同高度层（如850hPa、500hPa、700hPa）的温度异常。
• GFS数据：用于气象预测，展示不同时间范围（如2020-2022）的预测结果。
• 光伏电站应用：使用EKO ASI-16全天候成像仪进行气象观测和预测。

总结

该文档系统地介绍了人工智能的发展历程、主要人物及其贡献，以及深度学习在气象预测中的具体应用和成果。重点展示了SEDES系统、WRF模型与AI的结合、以及使用Grad-CAM等技术进行特征可视化的方法。通过对比不同模型在不同时间段的预测性能，突出了AI在提升气象预测精度和效率方面的潜力。