2024气象人工智能技术与应用报告.pptx

气象人工智能技术与应用,气,候,-,水,-,能源研,究,组,Climate-Water-Energy Research,Group,罗勇夏馨施文,廖舟,怡,马子起,黄建,斌,黄小猛,2,人工智能的发展,符号,AI,专家系统 规,则系统,第一代,第二代,John,McCarthy,Marvin,Minsky,Allen,Newell,Herbert A.,Simon,Arthur,Samuel,Claude Shannon,Ray,Solomonoff,Oliver Selfridge,Nathaniel Rochester,Trenchard,More,1956 Dartmouth,Conference The pioneers of,AI,1956,达特茅斯会议,AI,先驱者,感,知智能,大,数,据,驱,动,的,统,计,学,习,方,法,初,步,实现了针对文本,、,图,像,、,语,音,等,感 知,与识别,Geoffrey,Hinton,Yann,LeCun,认,知智能,张钹,院,士,2016,年,提,出,第,三,代,人,工,智,能,雏,形,，,DARPA,2018,年发,布,AI,Next,计,划,。,核,心,要,素,是,数,据,、,知,识,、算法,和,算,力,。,Ilya,Sutskever,姚期智,Yoshua,Bengio,Noam,Chomsky,Edward,Feigenbaum,Robert,Mercer,第三代,通过对巨量数据的,建,模,和处理，,实现对多,模,态,信息的,理解、推理,、,规,划,、,执行,，,实现复,杂,的 高,阶认,知,任务,大数据与人工智能,正,在引,发,一场,深,刻的,地,球科,学,研究,革,命,大数据与人工智能应对,全,球变,化,研究,呈,爆发,性,增长,，,有力,促,进了,地,球系,统,的机,理,、模,拟,和预,测,研究，,人工智能与数值预报的,融,合,成,为,热点,和,难点,大数据和人工智能,人工智能如何创新研究范式？,气象人工智能技术,应用人工智能的原理和方,法,，包括但不限于机器学,习,、,深度学,习,、,数,据,挖,掘和,自,然,语,言,处,理,等,，,对,气,象,数,据,进,行,高,效,处,理,、,分,析,和,解释的技,术,。,这些技术在气象领域的应用越来越广,泛,，,已经成为提升气象服务,水平的重要手,段,。,6,AI,气象大模型的发展,2018,年,E,C,M,W,F,发布了,机,器学习,相,关,的,科学出,版,物,2022,年,2,月,全面,的,中,期,天,气预,报,模,式,有,所发展,2022,年,10,月,1k,m,全,球,更细分辨,率,的模型,2022,年,11,月,热,带气旋,等,天气,2022,年,12,月,大,量预测,模,型出现,2023,年,1,月,全球和区域尺度共,同发展,2023年,4,月,7,天,+,预报技巧,提升,Peter Dueben,和,Peter Bauer,（,ECMWF,）,使,用,ERA5,数据发,布,了一,篇,论,文,，,分辨,率约为,500,公,里,，,用于预测未,来,z500,。,Keisler,发,展了,GraphNN,1,分,辨率,，,可以,与,GFS,模式相比,较,。,NVIDIA,创 建 了,FourCastNet,Fourier+,，,0.25,分辨,率,，,比,IFS,预报快,O(10,4,),倍，且模,式,运,行更,为,节,能,。,Jua.ai,等,实现全,球,1x1,公,里,，,提,前,4,8,小,时,，,时,间步,长,5,分钟预,报。,华,为,-,盘,古气象,大,模,型,0.25,分辨率，小,时 产 品，,“比,IFS,更准确的轨,迹,”。,谷,歌,Deepmind,GraphCast,0.25,分辨率,，,6,小,时,产,品,，,预测许多变量和 气压,层,，精度与,IFS,接近,。,微,软,ClimaX,在各,种,分,辨,率下,进,行,预,测,，,包,括,全,球,和区域。,中国学术,界,+,上海 气象,局,-,风乌,0.25,分,辨,率,，,6,小 时 产 品,，,在更长的时间尺度,上,改进,了,Gra,p,hCast,（仍然是确定性的,预,报）。,2023,年,11,月,15,天,+,（,S2S,）全,球,预 报,复旦大,学,+,上,海,科学智,能,研,究,所,伏羲,气候,气,象大,模,型,，,伏,羲次,季,节大模型的预,报精度更准,、,预报周期更长,（,45,天,）,、,运,行速度提升千,倍,。,2024,年,6,月,18,日,中国气象,局,发布不同时间尺度,三,大,AI,气象大模型,风,清,：,人,工,智,能全球中短期,预,报系统；,风,雷,：,人,工,智,能临近预报系,统；,风,顺,：,人,工,智 能 全 球 次,季,节,季节预测,系,统,。,报告内容,智能气候预测的理念与案例,基于机器学习方法的中国降水预测,基于中尺度气象同化预报和深度学习的风速预报,光伏电站太阳辐射超短期预报,基于深度学习的北极地区格点化地表气温重建,气象人工智能未来发展思考,报告内容,智能气候预测的理念与案例,基于机器学习方法的中国降水预测,基于中尺度气象同化预报和深度学习的风速预报,光伏电站太阳辐射超短期预报,基于深度学习的北极地区格点化地表气温重建,气象人工智能未来发展思考,智能气候预测,什么是智能气候预测？,将人工智能算法与气候预测相结,合,，构建智能气候预测技术体,系,，即以,大数据应用为前,提，,在通过机器学习和常规方法进行客观定量预测的,基,础,上,进 行智能评估，继而动态推荐预测结果。,随着大数据和人工智能的发,展,，,海量数据深度学,习,、,复杂神经网络,等逐,步 应用，人工智能为气候预测提供了一种解决难题的新思,路,。,可以用人工智能算法把超级计算机的预报结果尽可能,地,、,自动,地,、,不用人,工干预地修正到与实际观测数据更接,近,，以促进延伸期-月,-,次季,节,-,季气候预测,能力和准确率逐步提高。,研究思路,10,“环流是天气的载体”,+,“,巡航导弹”,模型以数值模式回算资料的季节环流预测作为输,入,，,以对应的降水预测作为输出，训练模型学习,环,流与,同,期降,水,之间,的,非线,性,关系；,利用观测资料对模型进行迁移学,习,，进一步调整,网络参,数,。,实际预测,时,，利用高质量的多模式集合季节环流,预,测场,输,入模,型,，预,测,季节,降水,。,巡航导弹通常采用惯导、地形匹配制导,、,GPS,制导和景象匹配制导等组合制导方式。,11,探索思路：射击问题与巡航导弹,传统的射击问题,气候系统预测的相似性,大气：导弹；海陆冰：地形地貌,巡航导弹通常采用惯导、地形匹配,制导、,G,P,S制导和景象匹配制导等,组合制导方式,。,拟解决的科学问题,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 水预测模型，对汛期降水距平百分率空间分布场进行预,测,，以期提高汛期降水预测准确,率,。,前兆信,号,和影响机,理,的识别,由,于深,度,学习,可,以处,理,多维,数,据,，,具,有自,动,提取,特,征的,功,能,。,可,以利用可解,释,性深,度,学,习,的,部分,方,案,，评估深度学习模型的预,测,机理。,目的在发现新的影响因子和预报关,系,，,评估不同因子对夏季降,水的,影 响大小，分析汛期降水的影响机,制,。,模式误,差,来源,的,分,析,和,评估,使,用深,度,学习,模,型订,正,模式,数,据,；通,过分,析,模式,回,算数,据,与观,测,或再,分,析资,料,所构,建,模型,的,差,异,，评,估模式对不同物理过程的模拟能,力,；或通过深度学习模型分析模式汛期降水预测误差的主要来,源,。,12,汛期全国气候趋势预测,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,综合分析前期海,洋,、陆,面,、,大,气,环 流、气候异常特征等影响因素,邀请水利部,、,高校及科研院所,等,专,家共同研判；结合国内外动力,气,候,模式预测结果,滚动订正预测结果,滚动订正预测结果,2021,年汛期降水趋势预测,邀请水利部、高校及科研院所等专,家,共同,研,判,中国汛期降水时空分布特征,15,1950s,Ding,et,al.,2008,Int.,J.,Climatol;,Wu,et,al.,2018,Atmosphere,1960s,1970s,1980s,1990s,2000s,2010s,中国中东部汛期降水年,代,际变化,受,季,风,、,地,形,等,影,响,，,我,国,汛,期,（6-8,月,）,总,雨,量占,全,年降,水,量比,例,大，,且,区域,差,异和,年,际 年代际变化明,显,。,汛,期降,水,与国,民,经济,和,人民,生,活密,切,相,关,，,是 我国短期气候预测的主,要,任务。,中国中东部降水年循环,东亚季风影响因素示意图,“,东南西北,中,”,这五大因素可以概括影响东亚季风,的,主要,热力、动力条件，即大气环流和下垫面热状况。,汛期降水数值模式预测技巧,17,国际主流数值模式近四年汛期预测,评,分,（ACC，PS）,上图来源：,国家气候中心,;,吴捷,等,2017,大气科学,;,Wang,et,al.,2009,CD,BC,C,二代,模,式对不同地,区,（全,球,，,热,带,，,北,半球,热带,外,，,南半,球热,带,外,，东,亚,，,南亚,）,的降水,预,报,TCC,。,不,同颜,色表,示不,同起,报,时,间,。,模式,对,不同,地,区的,降,水预,报能力 不同,。,对中,高,纬度,地,区预,报技巧,较低；,模式,对,大气,环流,、,温,度等,变量预,测能力远超对降水的预报能,力。,季节气候模式的汛期预,报,PS,评,分,在,7,0,分,左,右,；,但,AC,C,（距平,相,关,系,数,）,仍在,0.2,以,下，,甚至,可能小,于,0。,封国林等,2013,应用气象学报,;,刘颖等,2020,气候与环境研究,动,力,-,统计模型汛期降水预测,FODAS,系统,预测流程,1.,统计后处理,利用历史相似等方案对模式预 报误差进行订正,50,60,70,80,PS,200,9,201,0,201,1,201,2,201,3,201,4,201,5,201,6,201,7,201,8,2019,Year,业务模式,FODAS,FODAS：74,分,业务模式：,64,分,2.,统计降尺度,利用动力模式中具有较高预测技巧,的,大尺,度环流信息预测降水,1991-2,0,12,年汛期降水与同期东亚,SLP SVD第一模态,SLP,降水,18,动,力,-,统,计方,法仍,依赖,对影,响机制,和,模式误,差,的,理解，且样本数量,少,，效果不够稳,定,。,什么,是,Deep,Learning,？,手,工,地,选,取特,征,是,一,件,非,常,费,力,、,启,发,式,（,需,要,专,业,知,识,）,的,方,法,，,能不能选取好很,大程度上靠经验和运,气,，,而且它的调节需要大量的时,间,。,既然手工选取特征不太,好,，,那么,能不能自动地学习一些特征,呢,？,答案是,能,！“,深度学,习,”,就擅长,做,这个事,情,！,Deep Learning,=,Learning,representations/features,without being,taught,深度学习：学习数据表示的多,级,方,法,。,深,度,学,习,是,机,器,学,习,的,一,个,分,支,领,域,，,是,从,数,据,中,学,习,表,示的,一,种,新方,法,，,强调从连续的,层,（,layer,）,中进行,学,习,，,这些层,对,应于越,来,越有意,义,的表,示,。,“,深度,学,习,”,中,的,“,深,度,”指的并不是利用这种方法所获,取,的更深层次,的,理,解,，,而是指一系,列,连续的表示,层,。,深度学习方法的优势,20,Reichstein,et,al.,2019,Nature;,Lecun et,al.,2019,Nature,深度学习：通过多个处理层（,神,经网络）学,习,抽取合适的,特,征（预测因,子,），而不再局,限于人工设计模型后的参数优,化,，称为表示,学,习,（,representation,learning,）。,y=f,(,z),通过激,活,函数,模 拟非线性关系,通过,反向,传播,训,练,神经,网络,参,数,，,找 到更优的参数组合,深度学习在气候预测中的应用前景,Racah,2017,arXiv;,Vandal,2018,IJCAI;,Reichstein,2019,Nature,事件识别,降尺度,场预测,序列预测,21,季节,预,测仍,然,是,重大,挑,战,，,特,别,是,中纬,度,降水预,测,能力,仍,然较,低,，,因,此,中国,汛,期降,水,预,测,仍然是,重大挑战，而深度学习可能带来新的提升：,目前,的,概念,模,型受,限,于对,影,响因,子,的理,解,。,深度,学,习的挖,掘能,力,可能,学,习,到,新,的预,测,信 号,。,动力模式预测技巧较低。模式数据,不断,增,多，,但,对其,误,差的,特,征和,原,因的,分,析远,远,不,够；而深度学习擅于处,理,大数,据,。,目前,应,用的,统,计方,法,往往,结,构较,为,简,单,，,对,非线,性,关系,描,述能,力,较,弱,。,深度,学,习则,可,以 从数据中学习合理的,非线性,特征。,深度,学,习聚,焦,于空,间,学习,和,序列,学,习,，,其数,据形式与气候数据有很高,的,相似,性,。,Kadow,2020,Nature;,Ham,2019,Nature,深度学习在气候领域的应用,（,1,）,22,深度学习利用模式数据补充缺测值,HadCRUT4,早,期,缺测,值,较,多,（,图,a,），,利,用,CMIP,模,式,数,据，,深度学习可以补充缺测,值,（,图,b,），,效果超过克里金,插值（图,c,）,和,PCA,插值（图,d,）,。,以,1877,年,7,月为例，深度学习方法可以复现厄尔尼诺现象,（图,b,）,。,利用迁移学习提,升,ENSO,预测准确率,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,（迁移学习），对结果有显著提升。,解,决深,度,学习,的,两大,问,题：,1.,样,本,量不,足,：一,些,研究,结,合模式,数据,训,练模,型,。,Ham,et,al.,2019,Nature;Benjamin,et,al.,2019,arXiv,提前,18,个月预测,1997/98 ENSO,事件：,填色,：,Heatmap,，,表示预测因子对结果影响的比重；,等值线：海表气温和热容,量,。,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 子负位相，北大西洋冷海温。,23,深度学习在气候领域的应用,（,2,）,解,决深,度,学习,的,两大,问,题：,2.,机,理,难以,解,释。,一,些研,究,探索,了,通过,模,型可,视,化探,索,机理,的,可能,性,。,利用深度学习识别,ENSO,事件：,模型,可,视化,方,法,optimal,i,npu,t,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。,报告内容,智能气候预测的理念与案例,基于机器学习方法的中国降水预测,基于中尺度气象同化预报和深度学习的风速预报,光伏电站太阳辐射超短期预报,基于深度学习的北极地区格点化地表气温重建,气象人工智能未来发展思考,基于卷积神经网络方法的季节,降,水预测,25,动,力,统计结合,对多个动力模式进行后处理,统计降尺度,基于高技巧的环流变量预测降水,深度学习,CN,N,模型自动提取气象场中的,预,测因子,基础模型,深度特征,任务特异头部,SEDES,模型神经网络的,基,本结构,5,层,CNN+,卷积注意力模块,+,季节特征,SEDES,模型的训练策略,动力模式环流,or,观测环流,岭回归 迁移学习,降水距平场,PC,系数,重建为降水距平场,迁移学习,岭回,归,迁移学习方法克服小样本问题,基于深度学习方法的中国季节降水预测系统,SE,asonal,DE,ep-learning,S,ystem,物理统计方法（前期因子）,动,力,统计结合方法（同期因子）,完全预报方法,（,PP,）,订正,（,calibration,）,模式输出统计,（,MOS,）,统计降尺度,*,（,bridging,）,*,基于模式高技巧输出的预测,SEDES,模型应用效果,26,2020,年,ACC=0.23,PS=81.2,2022,年,ACC=0.37,PS=74,2021,年,ACC=0.16,PS=75,2023,年,ACC=0.13,PS=69.5,独立样本检验,（2013-2016）,参加全国汛期预测会商,3,月起,报,MME,环流距平,ERA5,环流距平,输入优化环流,标准化,距平,div,uvq850,div,2022,年汛期降水预测误差,的,诊断,复,盘,2024,年中国地区,6,-,8,月,降水距平百分率,（,%,）,预测,基于卷积神经网络方法的次季,节,降水预测,27,基本目标,对气候中心的区域次季节预测模,式,CWRF,进行降尺度后处理,在三个时间尺度,（5d,、,10d,、,30d）,上分别建立环流和降水的关系,形成侯、旬、月三个时间尺度的预测产品,1Dmodel,5d,ay,1Dmodel,30d,ay,2Dmodel,5d,ay,2Dmodel,30day,独立验证,集,分数,随机样本对比,空间细节模糊,侯,、旬：一维模型,月：二维模型,降水异,常,典型模,态,的环,流,配置,降水异,常,典型,年,的环流,成,因,目标问题：,深度学习模型的后解释性,中,国,季,节,降,水,异,常,与,环,流,的关系,通,过,“,opti,m,a,l,i,n,pu,t,”,方法求解,深,度学,习,模型,中,有利,于,特定降水异常模态的环,流,配,置,。,通,过,“,Gra,d,-C,A,M,”,方,法求,解,典型,年,同期,环,流中,导,致,降,水异常分布的主要影响,信,号,。,降水异常模态,EO,F,1,空间分布,降水异常模态,EOF,3空间分布,以降水的第,1,和第,3,模态为,例,：,29,降水异常典型模态的环流配置,SEDE,S,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,。,通,过,输入优,化,（,optimal,input,）,方,法,，,寻,找,SEDES,模,型,预测,冬,季降,水,EOF1,和,EOF3,模,态,正位,相,时的,判,据,，,即,生,成,EOF1,和,EOF3,模,态正,位,相对,应,的典,型,环流,场,，,从,而,讨,论,该,模型的物理可解释,性,。,环流,模型参数,PC系数,读取已有的模型结构和参数并固定,将一组大气环流异常场初始化,为,0,将大气环流异常场输入模型,获取模型输出的第,k,个,PC,系数,通过梯度下降，修订环流异常场，使其输出的第,k,个,PC,系数更大,第,k,个,PC,系数不再增长时，对应的 环流异常场为使第,k,个模态为显著,正位相时对应的典型环流场,基于输入优化的典型环流场分析流,程,图,30,降水异常典型模态的环流配,置,方法介绍,模型训练阶,段,，,将配对的环流,和,PC,系数输入模,型,，,不断调整,模型参,数,，,使模型输出,接,近标,签,值；,输入,优,化阶,段,，,固,定,模型,参,数,，,不,断调,整,模型,输,入,，,使模型,输出接近期待,值,。,200hPa,纬向风异常（色阶）,850hPa,比湿异常（色阶）,北方降,水,偏多对,应,500hP,a位势高,度,异常场,为,西北低,东,南高分,布,，乌山,至,贝湖地,区,为大面,积,负异,常,，,中,高,纬冷空,气,活,跃；西太副高偏强偏北，大量水汽,在,低层,沿,偏南,风,向北,输,送,。,该结果表明深度学习模型具有物理,可,解释,性,。揭,示,了不,同,季节,典,型降,水,异常,的环流,成,因,。,500hPa,高度异常（等值线）,850hPa,风异常（等值线）,基于,EOF,1正位相生成的环流场,环流对应降水标准化异常空间分布,31,降水异常典型模态的环流配,置,以EOF1为例,夏季,冬季,20,0,hP,a,纬向风异常（色阶）,50,0,hP,a,高度异常（等值线）,850hPa,比湿异常（色阶）,850hPa,风异常（等值线）,基于,EOF,3正位相生成的环流场,1997/1998,年冬季大气环流场,环流对应降水标准化异常空间分布,厄尔尼诺成熟期菲律宾反气旋对东 亚气候的影响示意图,（,Wang,2000,J.,Climate,）,32,降水异常典型模态的环流配置,以EOF3为例,冬季,冬季南,方,降水偏,多,对应的,深,度,学习输,入,优化环,流,与厄尔,尼,诺,成熟期,的,环流类,似,。,表明,模,型,对大范,围,遥相关,的,非线性,拟,合,能力。,，第,k,个特征图,对,应的,权,重,为：,Grad-CAM,：,对于模型第,c,个输出值,=,=,1,其中,A,为特征图集合，,i,、,j,为特征,图,上的,格,点坐,标,，,Z,为格,点,总数。,最终输出的激活图为：,L=(),33,季节降水的环流影响机制,降水异常典型模,态,的环,流,配置,降水异常典型,年,的环流,成,因,目标问题：,深度学习模型的后解释性,中,国,季,节,降,水,异,常,与环,流,的关系,通,过,“,opti,m,a,l,i,n,pu,t,”,方法求解,深,度学,习,模型,中,有利,于,特定降水异常模态的环,流,配,置,。,通,过,“,Gra,d,-C,A,M,”,方,法求,解,典型,年,同期,环,流中,导,致,降,水异常分布的主要影响,信,号,。,对,于典,型,降水,异,常,年,，,通,过,类,激活,图,（,Class Activation,Mapping,）,方法,，,标出对,模,型预测,结,果产,生,显著,影,响的环,流,区,域,，,从而,找,到,该 年降水异常的环流成,因,。,2013,年夏季降水异常，其中,（a）,为观测，,（b）,为以再分析资料作为输入的模,型,预测（ACC=0.75）,再分析大气环流标准化异常空间分布,以,2013,年夏,季为,例,，,激活图,反,映了西,太,平洋至,中,国,范围,内的,南方,暖湿,空气,传播,路,径,。典,型的,环流,经,向,波列,表明,该年,夏季,风偏,强,，,高低,层配,置指,示了,冷,暖,空气汇集的位置。,因此,，深,度学,习模,型针,对个,例提,取了,东亚,地区,环,流,异常的关键特征，作为降水异常预,测,的主,要,依,据,。,2013,年夏季模型激活图空间分布,20,0,hP,a,纬向风异常（色阶）,50,0,hP,a,高度异常（等值线）,85,0,hP,a,比湿异常（色阶）,85,0,hPa,风异常（等值线）,34,降水异常典型年的环流成,因,以,2013,年夏季为例,类激活图,深度学习可解释性方,法,-,遮挡敏感性,35,（Zeiler et,al.，2014）,衡量不同空间区域的输入贡献，定位 潜在的预报信号,（Shin,et,al.,2022,）,寻找高频降水变率中人类活动的信号,（Ham et,al.,2022）,衡量不同空间位置的信 息如何改变输入结果,零值遮挡,：,输入本身的重要性,将输入动力模式环流的部分环流区,域,替换,为,再分,析,资,料，计算降水ACC变化，评估优,化,不同,区,域环,流,预测效 果对降水预测技巧的提升，可以,揭,示,出对,降,水预,测,产生,负面效果的环流预测误差关键区,；,对历史同期平均而言，,SE,D,E,S模型,预,测技,巧对,近,地,面热,力条件,和,低层水汽异常,的误差最为,敏,感。,真值遮挡,：,输入误差的重要性,现有应用,SEDES,应用,深度学习可解释性方,法,-,输入优化,（Olah,2017）,现有应用,特定分类,反推极端天气事件的输入环 流配置,（Gagne,et,al.,2019）,利用气候模式做为训练集的模型，反 推气候模式对气候变暖模拟的关键偏 差（,Barnes,et,al.,2020,）,EOF1,EOF3,固定模型参数，从,输出反推输入,最优环流,配置？,根据降水主要模态反推最优输入环,流,，指,示与 特定降水分布对应的典型环流场,给定单一神经元输出,给定单一模态输出,实况降水对应,P,C,系数组合,36,SEDES,应用,局部误差及其影,响,-,中高纬系统,37,u200,z,500,uvq700,-,+,+,+,+,+,在东北地区，,2,0,0hP,a,纬向风和,7,0,0hP,a,纬向风的预测误差,对降水预测影响较大。,动力模式对急流的波动特征、强度,和,出口,位,置预,测,不准,确,，700hPa,风场在东北地区的预测与实际相反,可能是东北、内蒙东部一带降水预,测,偏差,的,主要,原,因。,这种实况配置与最优环流一致,3,月起,报,MME,环流距平,ERA5,环流距平,3,月起报,MME,环流距平,3,月起报,MME,环流距平,输入优化环流,标准化,距平,小结,机,器,学,习,，,特,别,是,深,度,学,习,方,法,在,季,节,-,次,季,节,气,候,预,测,中,有,广,泛,的,应,用,前,景,。,当前汛期预报业务主要依赖于数值模式和预报员的主观订,正,。,本研究提供了,针对全国汛期降水距平百分率的深度学习客观预报模,型,，,利用模式环流预报,数,据,，,提供更准确的全国汛期,降,水距平百分,率,分布预,报,。,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,环流与汛期降水的非线性关,系,，,及分析数值,模,式的关键误,差,提供帮助,。,38,报告内容,智能气候预测的理念与案例,基于机器学习方法的中国降水预测,基于中尺度气象同化预报和深度学习的风速预报,光伏电站太阳辐射超短期预报,基于深度学习的北极地区格点化地表气温重建,气象人工智能未来发展思考,40,风电场风速和风电功率预报现状,购,买,临,近,网,格,点,的,欧,洲,风速预报产品,单,一,风,电,场,风,速,和,风,功,率后处理订正系统,单,一,风,电,场,风,速,和,风,功,率预报产品,依赖国外预报产盘，被“卡脖子”；,成本倍增；,资料同化尚未广泛应,用。,模式后处理模型可解释性较,差,，,无法从大量模式变量中,筛,选 重要特征；,不同地区需要花费大量时间进行特,征,工程,构,建；单一风电场的数据样本量不足；,模式后处理算法较为简单，忽略了,气,象变,量,的时,间,相关,性,。,41,WINDE,S,设计思路,美国、欧洲或者中国气,象局全球预报产品,中国,地,区中,尺,度气,象,预,报模式,（3-5,公里）,全国,或,省电,网,范围,内,所,有风,电,场后,处,理订,正,系 统,全国或省电网范围内所有风电场风,速,和风,功,率预,报,产品,中国数据同化（下垫面、不同风电场 测风塔的空间相关性）,特征构建、提取和选择,（小时特征与,M-O,长度、理查孙,数,）,全球预报产品灵活切,换，不受制于人,网格,01,02-16,水平分辨率,25,km,5,km,垂直层数,51,51,云微物理方案,Morrison,Morrison,长波辐射方案,RRTMG,RRTMG,短波辐射方案,RRTMG,RRTMG,陆面过程方案,Noah,Noah,积云对流方案,KainFritsch,无,边界层方案,YSU,YSU,WR,F,模式的网格以及参数设置,WR,F,模式运行设置,42,基于中尺度气象同化预报和深度学习方法的风速预报系统,（WINDES，WIND,speed,dEep-learning,System）,WRF,模式模拟区域和嵌套,网,格设置,模拟区域划分依据：省级电网区域范围 预报时间,：2009,年,6,月,-2010,年,5,月,采用的模式运行设置,在,实际应用中可以满足电网对于时间的需,求,。,基于,WRF,模式的短期风速预报,43,各省（区、市）风资源开发地区,WRF,中尺度模式风速预报,第一部分,WR,F,模式,风速预报,第二部分,资料同化 改进预报,3DVar,资料同化,基于机器学习的模式结果后处理算法,多个高度,/,气压层,的模式变量,第三部分,后处理以及,特征筛选,梯度提升,决策树,第四部分,模式结果后处理,风速预报,模式各个特征 的重要程度,基于时间序列相,关性的神经网络,风速预报,近地层风速等,重要特征,WINDE,S,技术路线,卫星资料,3DVar+WRF,模式,+,常规观,风速预报,测资料,0-24h,：,0-24,小时,预,报,24,-,48h,：,24,-,48,小,时,预报,48,-,72h,：,48,-,72,小,时,预报,“,W,R,F,”,：,W,RF,预报,结,果；,“,A,TT,N,”：,Attention+LSTM,结 果,；“,LSTM,”：,LSTM,结,果；,“,MLP,”：,对,照,试验,结,果,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,的,RMSE,对,比。,三种,方,法相,对,于,WRF,结果,都,能减,小,RMSE,。,ATTN,和,LSTM,的,RMSE,减小幅,度,较大。,ATTN,的,效果最,佳,，在,不,同省,的,结果,中,，,相对,于,WR,F,原始,结,果,，,R,M,S,E,减小,幅,度为,30%-65%,省,（区、市）,预报时间,WRF,ATTN,LSTM,MLP,省,（区、市）,预报时间,W,R,F,ATTN,LSTM,MLP,北京,0-24h,4.60,1.94,2.17,2.71,辽宁,0-24h,2.64,1.68,1.88,2.11,24-48h,4.80,2.13,2.34,2.87,24-48h,2.96,1.84,2.10,2.29,48-72h,4.90,2.16,2.43,3.33,48-72h,3.20,2.01,2.27,2.55,广东,0-24h,3.08,1.68,1.92,2.77,内蒙古,0-24h,3.03,2.07,2.34,2.70,24-48h,3.31,1.84,2.06,2.85,24-48h,3.40,2.30,2.62,2.81,48-72h,3.51,1.94,2.13,2.97,48-72h,3.63,2.43,2.74,2.91,海南,0-24h,3.03,1.66,1.86,2.48,宁夏,0-24h,3.30,1.91,2.18,2.94,24-48h,3.22,1.76,1.95,2.57,24-48h,3.66,2.01,2.27,3.14,48-72h,3.45,1.84,2.052.72,48-72h,3.85,2.10,2.39,3.21,河北,0-24h,3.37,1.72,1.96,3.04,青海,0-24h,4.28,2.36,2.60,3.77,24-48h,3.67,1.86,2.10,3.15,24-48h,4.48,2.43,2.74,3.94,48-72h,3.85,2.02,2.23,3.32,48-72h,4.58,2.46,2.80,4.04,河南,0-24h,2.78,1.65,1.79,2.42,山西,0-24h,3.47,1.81,2.07,2.39,24-48h,3.26,1.84,2.03,2.62,24-48h,3.94,1.932.20,2.49,48-72h,3.39,1.91,2.18,2.83,48-72h,4.08,2.03,2.29,2.59,黑龙江,0-24h,2.48,1.57,1.78,2.05,陕西,0-24h,2.81,1.76,1.99,2.34,24-48h,2.76,1.70,1.92,2.15,24-48h,3.22,1.92,2.22,2.43,48-72h,2.95,1.79,2.05,2.26,48-72h,3.41,1.99,2.30,2.50,湖北,0-24h,2.70,1.53,1.69,2.05,上海,0-24h,2.42,1.33,1.44,1.91,24-48h,2.99,1.66,1.91,2.21,24-48h,2.83,1.45,1.49,1.99,48-72h,3.13,1.68,1.87,2.30,48-72h,3.17,1.51,1.77,2.22,湖南,0-24h,2.76,1.57,1.78,2.30,四川,0-24h,4.12,1.58,1.72,3.49,24-48h,3.13,1.79,1.90,2.49,24-48h,4.41,1.55,1.82,3.59,48-72h,3.11,1.82,2.05,2.61,48-72h,4.51,1.66,1.87,3.67,江苏,0-24h,2.51,1.46,1.62,1.96,新疆,0-24h,4.12,2.70,3.00,3.46,24-48h,3.01,1.65,1.86,2.16,24-48h,4.52,2.85,3.15,3.69,48-72h,3.27,1.77,1.97,2.29,48-72h,4.64,2.89,3.29,3.74,江西,0-24h,2.68,1.60,1.77,2.19,云南,0-24h,4.02,1.91,2.08,3.22,24-48h,2.99,1.74,1.99,2.40,24-48h,4.05,2.00,2.19,3.31,48-72h,3.06,1.81,1.99,2.52,48-72h,4.07,2.09,2.32,3.39,模式结果后处理,44,45,面向某省电网的风电场风速预报,满足电,网对发电量预报的要求；,下,载,GFS,全球模式预报产品的时间；,下载卫,星遥感资料度的时间；,10,天,+28,小时预报的计算时间；,初始场,同化的计算时间；,人工智,能的计算时间；,发布预,报产品的时间；,故,障,处理的时间。,面向某省电网的风电场风速预报系统,WINDES,rmse,wrf,24h,48h,72h,reference,n_train,n_test,风 电 场,1,2.93,1.81,1.97,1.88,2.16,27592,8146,2,3.17,1.73,1.83,1.85,2.40,22267,6648,3,320,1.73,2.02,2.20,nan,28591,8570,4,3.14,1.59,1.80,2.13,2.40,14688,4416,某省四个风电场,的,72,小时风速预报均方根误差,风速预报结果,46,风速：,m/s,报告内容,智能气候预测的理念与案例,基于机器学习方法的中国降水预测,基于中尺度气象同化预报和深度学习的风速预报,光伏电站太阳辐射超短期预报,基于深度学习的北极地区格点化地表气温重建,气象人工智能未来发展思考,卫星数据,插值,边缘平滑处理,太阳高度角订正,WRFDA,数据同化,气象探空资料,电站地面观测资料,GFS,大尺度预报数据,全天空成像仪图像资料,去除污渍斑点,图