AI追捕强对流！“猫鼠游戏”，胜算几何？| 深度
龙卷风是强对流天气中最为剧烈的一种天气，来势凶猛、破坏性极强。
除龙卷风外，雷暴大风、冰雹、短时强降水等强对流天气均具有突发性强、生命史短、局地性强、破坏力大等特点。
统计结果显示，2000-2017年，强天气平均每年造成的经济损失达260亿美元，仅次于热带气旋、洪水和地震。
如果说，强对流天气像隐藏在阴暗角落里的“老鼠”，它们行动时风驰电掣、异常隐秘；
那么，人工智能就是人类训练出的一只“猫”，它的最大优势是识别完全自动化、速度快，可以在海量的气象数据中快速发现目标。
问题来了，人工智能这只“猫”是如何训练的？它如何“捕鼠”？又面临哪些挑战？且看本期解读——
无论如何，只要这只“老鼠”现身，不管其隐藏得多么天衣无缝，总会留下蛛丝马迹。在雷达和气象卫星获取的数据中，我们都可以发现强天气留下的痕迹。
雷达回波记录的一次飑线过程
一般传统做法是预报员根据经验，通过对观测数据设置一定阈值，用肉眼来识别和监测强对流天气，但是需要长时间监视，过于耗费精力。
然而，爆发式增长的气象大数据已经远远超出了预报员主观监测识别的能力和范围，数据中隐藏的有价值细节信息很容易被漏掉。
此外，强对流天气复杂多变，如果预报员对于其发生发展规律的认识不够深刻、全面，也很难抓取到一些有效的细节特征来帮助自己识别强天气。
于是，人类训练出了一只“猫”——人工智能，来捕捉“老鼠”。人工智能的最大优势是识别完全自动化、速度快，可以在海量的气象数据中快速抓到这只“老鼠”。
事实上，在天气预报领域，人工智能最早就是用于强对流天气预报。例如——
而同期加拿大环境局也开发出一种强天气智能预报终端系统SWIFT，利用人工智能技术来提高数值预报模式的效果。
近20年来，随着人工智能的不断发展，科学家开始探索利用机器学习方法来改进强天气预报模式。
事实证明，人工智能在发掘强天气信号方面具有很大的潜力，特别是随着气象探测设备的更新换代，预报员能获得更高精度和频率的数据，这些数据为发现微弱的强天气信号提供了前所未有的可能。
此外，近年来以深度学习为代表的算法兴起，在气象大数据的支持下，已经成为强天气预报的有效手段。
郑昕烨说：
我们相信人工智能也可以在强天气预测上发现有用信号，提高大数据处理的效率和精确性，从而提供更加准确、及时的强天气预报。
”总之，人工智能能够有效提取高时空分辨率中小尺度观测数据的强对流特征，为强对流监测提供更全面、更强大的自动化识别和追踪能力。
强对流天气生成的四大条件是大气静力不稳定、水汽、抬升触发和垂直风切变。在不同的大尺度环流背景下，这些条件不同的强弱组合就会生成不同的强对流天气。
俞小鼎说：
除了这4个条件外，雷暴大风还需要很强的下沉气流，而强冰雹的产生需要有强而相对持久的上升气流。
”强天气生成条件的特征和差异就成为识别的“指纹”，捕捉这只狡猾“老鼠”最为关键的一步就是提前识别出其不同发展阶段的特征。
这些特征包括对流发生前的大气稳定度状态、对流初生阶段的积云对流状态、对流成熟阶段的纹理特征、上冲云顶特征和微物理特征等。具体而言——
中层径向辐合和弓形回波一般可作为判别雷暴大风的特征；
强冰雹最基本的雷达回波特征是“高悬的强回波”；
而龙卷风的指示物是中气旋，中气旋的底部越靠近地面，龙卷发生的概率越高。
有了这些“指纹”之后，下一步就是要训练计算机来自动识别这些特征。不同算法对于不同类型的数据偏好不同，提取特征的能力也因此有强弱之分。
与浅层神经网络、支持向量机等传统的机器学习算法相比，深度学习具有强大的特征提取能力，能够提取对流系统在雷达回波上的生消演变特征。
2015年，香港天文台和香港科技大学的研发团队将深度学习中最主流的卷积神经网络和长短时间记忆网络结合起来，提出了卷积-长短时间记忆网络（ConvLSTM），开创性地将深度学习技术应用于短时临近强降水预报。该方法现已被香港天文台应用于雷达回波外推。
今年8月，美国国家大气研究中心（NCAR）的科学家利用分析视觉图像的机器学习模式和人工智能技术来改进雷暴和冰雹预报。
研究者利用卷积神经网络对暴风雨最为重要的特征进行观察分析后发现——
在近地面气压低于平均水平和暴风雨顶部气压高于平均水平的情况下，暴风雨通常更可能产生强冰雹；
形状近圆的暴风雨更可能产生冰雹。
郑昕烨所在的研究团队在分析了5万多张美国历史卫星图像后发现，中纬度地区的雷暴、冰雹、大风等强天气的生成往往与一种逗点状云有关，因此可将其作为指示物。
郑昕烨说：
我们利用计算机视觉和机器学习技术来训练计算机自动识别和探测卫星图像中的逗点状云系，最后可以探测到99%的逗点状云，对这些强天气事件的预测准确率可达64%，填补了利用高层次卫星图像探测强天气的空白。
”值得注意的是，当前利用人工智能来“追捕”强对流天气依然面临诸多挑战。
人工智能的本质是用计算机算法、机器学习和模式识别等方法来模拟人对数据的理解，从而发现大数据中的微弱信号。
因此，人工智能需要在大数据的“喂养”下才能逐渐成长起来。而强对流天气较一般天气过程而言少很多，可用来训练机器学习的数据十分有限。
目前机器学习中处理此类问题的常见方法是“上采样”，也就是把“正样本”（强对流天气的发生为“正样本”，未发生为“负样本”）复制多次。
此外还有“下采样”、给“正样本”赋予更高权重、迁移学习等方法。
雷达、卫星等观测数据对不同强对流天气的描述各有侧重，比如卫星云图能很好地反映对流层高层的水汽和环流特征，而雷达主要观测对流风暴的内部特征。
风云二号静止气象卫星对南方强对流天气的判识图像
因此，如何将不同数据的优势结合起来，再利用机器学习对多源数据进行有效融合，成为当前强天气监测预报的一项重大挑战。
虽然人工智能善于识别预报员难以发现的潜在信号，但其大部分算法过程对于人类来说犹如“黑箱”，预报员难以对其给出的结果做出量化的解释。
科学家们目前也正在致力于改进人工智能模式的可解释性，从而帮助预报员更好地理解模式。
此外，不同算法有其各自擅长的领域，没有一种算法可以在所有强对流天气监测预报中都取得最好的成绩。
因此，我们需要全面了解各种机器学习算法的优缺点，根据使用场景，选择最合适的算法。
叶剑波说：
尽管人工智能在多个细分的应用领域已经取得了一定的突破，但是目前还没有形成一个统一的能够普适于各种强天气条件下，取代数值天气预报模式的框架。
”因此，就当前人工智能的发展水平而言，将传统的数值天气预报模式与人工智能结合起来将成为可预见的一个发展趋势。
数值天气预报模式往往随着环境初始条件的改变而带有一定的不确定性，而人工智能可以帮助分析其中的不确定性从而改进模式。美国国家飓风中心利用人工智能对多种飓风预报模式进行集成，最后可以较好地预测出飓风运动的轨迹和强度。
周康辉说：
但需要指出的是，人工智能并不是万能的，其应用基础仍然依赖于高质量的观测数据、可靠的数值模式预报结果以及人类对大气物理的深刻认识，大气科学基础理论才是强对流天气预报突破的基础和土壤。
”推 荐 阅 读
中国气象报社出品
策划监制：段昊书
本文作者：中国气象报记者吴鹏
微信编辑：刷克
投稿咨询：010-58993075（段老师）