SCI论文（www.lunwensci.com）:
摘 要 ：本研究探讨了可解释的人工智能在现代气象预报服务业务中的应用和展望。目前, AI 技术在强对流监测、临近 预报等方面提高了准确性,但仍存在训练数据集不完备、不平衡和模型解释性不足等问题。未来,可解释的人工智能将成为重 要发展方向,提高预测模型可靠性和可信度,其与数值预报融合将成为另一趋势,提供更准确、可靠的天气预报。研究应关注解 释性 AI 模型开发应用以及 AI 技术与传统数值预报融合方法,以推进可解释的人工智能在气象预报服务业务中的应用和发展。
关键词 ：可解释人工智能,气象预报 ,AI 技术与数值预报融合
Application and Prospects of Explainable Artifcial Intelligence in Weather Forecasting
ZHONG Xia
(Meteorological Station of Inner Mongolia Autonomous Region, Hohhot Inner Mongolia 750306)
【Abstract】：This study discusses the application and prospects of explainable artificial intelligence in modern meteorological forecasting services. Currently, AI technology has improved accuracy in areas such as severe convection monitoring and short-term forecasting, but there are still issues of incomplete and imbalanced training datasets, and insufficient model interpretability. In the future, explainable artificial intelligence will become an important direction of development, enhancing the reliability and credibility of forecastingmodels, the integration with numerical forecasting will become another trend, providing more accurate and reliable weather forecasts. Research should focus on the development and application of interpretable AI models, and the methods of integrating AI technology with traditional numerical forecasting, in order to promote the application and development of explainable artificial intelligence in meteorological forecasting services.
【Key words】：explainable artificial intelligence;weather forecasting;integration of AI technology and numerical forecasting
0 引言
数值天气预报是天气预报的主流方法。它通过数值 积分,对地球系统的状态进行逐网格的求解,是一个演 绎推理的过程 [1]。然而, 一方面,随着天气预报分辨率 不断升高,预报时间逐渐延长, NWP 模式所需要的算 力迅速增加,限制了其发展。另一方面,以人工智能为 基础的数据驱动天气预报快速发展,在部分领域已经超 越了传统方法,但目前存在的 AI 技术在气象预报中还 存在一些薄弱环节。例如, AI 模型的可解释性问题是一个需要解决的关键问题。由于深度学习模型的结构复 杂、参数众多,它们通常被称为黑箱模型,难以解释和 理解它们的预报原理和判断依据。这导致了预报结果不 可靠性和信任度不高的问题。本研究旨在探讨可解释人 工智能在气象预报业务中的应用和展望。
1 AI 技术在现代气象预报服务业务中的应用现状分析
1.1 主流 AI 技术
目前,人工智能在强对流监测、临近预报中,发挥 着非常重要的积极作用,其应用效果往往优于传统经验和方法 [2]。近年来,以深度学习为代表的机器学习算法 逐渐兴起,其结合雷达、卫星云图,利用深度学习图像 识别方法,成为强对流天气预报的有效手段 [3]。
当前主流的 AI 气象预报模型主要集中于强降水或 者极端降水的临近、短中期预报,它们大多采用高分辨 率（如 0.25° ×0.25°）来提供更精细的预报结果。这些 模型的核心是基于数据驱动,运用包括 Transformer、 卷积神经网络（CNN）、图神经网络（GNN）以及 U-Net 等多种先进的编码算法进行预报,特别是在强对 流临近预报领域,得到了广泛的应用并取得了显著的效 果,其主要用途以及改进和应用如表 1 所示。
1.2 现有 AI 技术的薄弱环节
当前,尽管人工智能（AI）技术在气象预报领域取 得了重要进展和成果,但仍存在一些薄弱环节。本节将 重点探讨现有 AI 技术的薄弱环节,包括以下几个方面。
首先, AI 技术的训练数据集不完备和不平衡是一 个普遍存在的问题。在气象预报中,各种天气现象的 数据量和质量都对 AI 模型的性能和准确性产生重要影 响。然而,由于气象数据的收集难度和传感器功能的限 制,获取大规模、全面、高质量的数据具有一定的挑战 性。此外,不同天气现象之间的数据分布也可能存在不 平衡,这导致 AI 模型在预报某些特定天气现象时表现 较差。其次, AI 模型的可解释性仍然是一个难以解决 的问题。由于深度学习模型的复杂性和黑箱特性,很难 理解和解释模型为何做出某个预报或决策。对于气象预 报来说,可解释性对于用户的信任和接受度至关重要。 目前,研究人员已经开始探索和开发一些方法来解释和 理解深度学习模型,但在实际应用中,这仍然是一个待 解决的难题 [7,8]。
2 AI 在天气预报中的未来应用趋势
2.1 人工智能的可解释性
大气科学领域的可解释性初步分为两个方向,即对深度学习模型的“黑箱”探索方向和基于特征提取后的 可解释性方向。深度学习模型是端到端 (end to end) 的 “黑箱”模型,其中间过程不可知,结果不可控。一方 面,人们难以知道它在做什么 ；另一方面,难以解释和 理解它为什么这么做 [9]。随着对深度学习可解释性需求 的增加,对深度学习模型进行解释的方法得到了发展。
第一个方向是通过对深度学习模型的内部工作机制 进行探索,以揭示其“黑箱”原理。这种方法通常采用 可解释性技术,如梯度提升、重要性图、激活映射等, 来解析模型的内部结构,并尝试理解每个组件在模型决 策过程中的作用。此外, 一些研究工作还探索了使用可 视化技术来揭示深度学习模型的决策过程,例如,使用 热力图来显示模型对于不同输入的响应。
第二个方向是基于特征提取后的可解释性。这种方 法首先从数据中提取出与预报结果相关的特征,然后使 用这些特征来解释模型的预报结果。例如,在气象预报 中,如果深度学习模型预报明天的天气为晴天,那么基 于特征提取后的可解释性方法可能会显示模型是基于昨 天的天气、气压、湿度等特征来做出这个预报的。
随着深度学习在许多领域的广泛应用,对深度学习 模型的可解释性的需求不断增加。这是因为人们需要了 解模型是如何做出决策的,以确保其决策的合理性和准 确性。因此,对深度学习模型的可解释性的研究具有重 要的实际意义和价值。
2.2 与数值预报的融合趋势
人工智能（Artificial Intelligence, AI） 技术在气 象预报领域的应用不断扩大和深化,与传统的数值预报 方法相结合,成为未来天气预报的重要发展方向。数值 预报是一种基于数学物理方程和观测资料进行的气象预 报方法,具有较高的准确性和科学性。然而,数值预报 存在着模型参数设置和物理模拟等方面的不确定性,对 于某些复杂气象现象的预报效果有限。而人工智能技术则可以通过学习历史气象数据的规律和趋势,实现对复 杂气象现象的预报和解释 [10]。
与数值预报的融合趋势表明了人工智能技术在天气 预报中的重要作用。首先,人工智能技术可以通过挖掘 数值预报模型输出的特征和关联信息,提高数值预报的 准确性和实时性。例如,通过对数值模型输出的温度、 湿度等气象要素进行学习,可以得到更准确的温度预报 结果。其次,人工智能技术可以通过结合观测资料和 数值预报模型输出,提供更准确和全面的天气信息。例 如,通过结合雷达回波数据和数值模拟结果,实现对降 水预报的精细化和及时化。再次,人工智能技术可以通 过解释数值模型的预报结果,提高数值预报的可信度和 可解释性。例如,通过分析模型输出的差异和误差源, 可以帮助气象预报员更好地理解和利用数值预报结果。
数值预报与人工智能的融合也带来了新的挑战和问 题。首先,如何平衡数值模型的物理机制和人工智能模 型的数据驱动特性是一个重要问题。数值模型通过物理 方程和数值方法对大气和地球系统进行建模,其结果具 有物理机制的解释性,但存在着不准确性和误差。而 人工智能模型则通过学习历史数据的规律和趋势进行预 报,具有较强的数据驱动特性,但缺乏对物理机制的解 释性。因此,在融合数值预报和人工智能时,需要考虑 如何兼顾数值模型和人工智能模型的优势,提高气象预 报的准确性和可解释性。
其次,数据质量和数据可用性也是数值预报与人工 智能融合的重要问题。人工智能模型需要大量的高质量 数据进行训练和学习,而数值模型输出的数据往往存在 着噪声和缺失值。因此,如何处理和利用数值预报模型 的输出数据,是一个需要进一步研究和探索的问题。
在未来, 随着人工智能技术的不断发展和应用,其 与数值预报的融合将进一步加强。新兴的人工智能技 术,如深度学习和强化学习等,将为数值预报带来更多 的创新和突破。同时,研究人员还需进一步探讨人工智 能技术在气象领域的可解释性,以提高气象预报的可信 度和可解释性。
综上所述,与数值预报的融合是人工智能在现代气 象预报服务业务中的重要发展方向。通过融合数值预报 模型和人工智能技术,可以提高气象预报的准确性和实 时性,拓宽天气信息的来源和渠道,提高气象预报的可解释性和可信度。未来,需要进一步研究和探讨如何平 衡数值模型和人工智能模型的优势,加强对数据的质量 控制和有效利用,提高气象预报的能力和水平。
3 结语
本研究对可解释的人工智能在现代气象预报服务业 务中的应用和展望进行了探讨。首先介绍了人工智能的 概念及分类方法,其次阐述了人工智能在气象领域的应 用现状和发展趋势,最后分析了现有的天气预报服务平 台及其特点、优缺点,并对未来趋势进行了探讨。总的 来说,可解释的人工智能在现代气象预报服务业务中具 有广阔的应用前景。深入研究和开发可解释的 AI 模型 可以提高天气预报的准确性和可靠性,为人们提供更好 的服务。同时,将 AI 技术与传统数值预报融合可以进 一步提升天气预报的能力。未来的研究工作应重点关注 解释性 AI 模型的开发和应用,以及 AI 技术与传统数值 预报融合方法的研究。希望本研究能为推动可解释的人 工智能在气象预报服务业务中的应用和发展做出贡献。
参考文献
[1] 孙健,曹卓,李恒,等.人工智能技术在数值天气预报中的应用 [J].应用气象学报,2021,32(1):1-11.
[2] 马雷鸣.天气预报中的人工智能技术进展[J].地球科学进展, 2020,35(6):551-560.
[3] 匡秋明,于廷照.AI技术与卫星资料应用研究现状分析[J].气 象科技进展,2020,10(3):21-29.
[4] 郑宗生,傅泽平,刘敏,等. 改进残差网络及时序气象卫星云 图的台风等级分类研究[J]. 测绘工程,2023,32(6):10-16.
[5] 张正文,向严谨,廖桂生.一种基于长短期记忆网络的雷达目 标跟踪算法[J/OL].现代雷达:1-13[2023-12-18] .
[6] 向德萍,张普,向世明,等.基于Transformer的多模态气象预 测[J].计算机工程与应用,2023,59(10):94-103.
[7] 王子恒,李鹏,陈静.基于特征选择和模糊类支持度的模糊分 类关联规则挖掘算法[J].软件,2023,44(8):15-22.
[8] 王海勇,王志青.基于注意力与特征融合的改进SSD目标检 测算法[J].软件,2023,44(4):1-5.
[9] 马雷鸣.天气预报中的人工智能技术进展[J].地球科学进 展,2020,35(6):551-560.
[10] 张萌,贾朋群,王小光.人工智能技术在大气科学领域的应 用及其发展态势[J].科学观察,2020,15(1):22-29.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/77200.html
