周冠博，錢奇峰，呂心艷，聶高臻

（1.國(guó)家氣象中心，北京 100081；2.中國(guó)氣象科學(xué)研究院災(zāi)害天氣國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100081）

引言

臺(tái)風(fēng)災(zāi)害是全球發(fā)生頻率最高、影響最嚴(yán)重的自然災(zāi)害之一。我國(guó)位于太平洋西岸，受臺(tái)風(fēng)活動(dòng)影響的廣大沿海省份人口稠密、經(jīng)濟(jì)發(fā)達(dá)，對(duì)臺(tái)風(fēng)災(zāi)害的承受力也最為脆弱，臺(tái)風(fēng)災(zāi)害對(duì)我國(guó)的社會(huì)經(jīng)濟(jì)發(fā)展構(gòu)成了嚴(yán)重的威脅［1－2］。特別是隨著全球氣候變暖，西北太平洋地區(qū)臺(tái)風(fēng)增強(qiáng)概率和比例均在上升，臺(tái)風(fēng)強(qiáng)度增大，強(qiáng)臺(tái)風(fēng)偏多，而其移速變慢，造成登陸臺(tái)風(fēng)強(qiáng)度以及影響時(shí)間都在增加，臺(tái)風(fēng)帶來(lái)的危害正在逐漸加大，導(dǎo)致更多人員傷亡和財(cái)產(chǎn)損失，臺(tái)風(fēng)的防御難度也進(jìn)一步加大。

過(guò)去的20a，臺(tái)風(fēng)的路徑預(yù)報(bào)有了顯著的提高，24h 路徑誤差減少約60%，但臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)誤差卻逐年波動(dòng)［3－4］，強(qiáng)度預(yù)報(bào)技巧改進(jìn)非常有限［5－6］，特別是近海臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)不準(zhǔn)確，往往會(huì)導(dǎo)致預(yù)報(bào)預(yù)警不及時(shí)，出現(xiàn)臺(tái)風(fēng)防御不足、預(yù)報(bào)服務(wù)工作非常被動(dòng)的局面。經(jīng)評(píng)估，24h 強(qiáng)度預(yù)報(bào)誤差每減小1m·s-1，可減少3.8 億元直接經(jīng)濟(jì)損失［7］?？梢?jiàn)，臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)的準(zhǔn)確性是防臺(tái)減災(zāi)的重要一環(huán)。數(shù)值預(yù)報(bào)模式是現(xiàn)代天氣預(yù)報(bào)的重要技術(shù)支撐，但數(shù)值預(yù)報(bào)對(duì)臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)能力卻十分有限［8］，特別是快速增強(qiáng)臺(tái)風(fēng)基本沒(méi)有預(yù)報(bào)能力。另外，影響臺(tái)風(fēng)強(qiáng)度變化的因素錯(cuò)綜復(fù)雜，主要因素有海洋熱狀況條件、大尺度環(huán)境因子以及臺(tái)風(fēng)內(nèi)核結(jié)構(gòu)，并且目前海上臺(tái)風(fēng)觀測(cè)資料的缺乏，一定程度上阻礙了臺(tái)風(fēng)強(qiáng)度變化機(jī)理的研究。臺(tái)風(fēng)強(qiáng)度變化的物理過(guò)程的科學(xué)認(rèn)識(shí)不足，嚴(yán)重制約了臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)水平的提高。

近年來(lái)隨著人工智能技術(shù)的興起，利用地面自動(dòng)氣象站、雷達(dá)、衛(wèi)星等獲取的觀測(cè)數(shù)據(jù)越來(lái)越多，在氣象大數(shù)據(jù)背景下，結(jié)合具有強(qiáng)大的數(shù)據(jù)學(xué)習(xí)能力和復(fù)雜結(jié)構(gòu)特征刻畫能力的深度學(xué)習(xí)進(jìn)行研究有著十分廣闊的應(yīng)用場(chǎng)景。目前已有很多人工智能應(yīng)用于氣象領(lǐng)域的案例，例如短時(shí)臨近預(yù)報(bào)、氣候預(yù)測(cè)、空氣質(zhì)量指數(shù)（AQI）預(yù)測(cè)、數(shù)據(jù)同化、臺(tái)風(fēng)和極端天氣預(yù)測(cè)、數(shù)值預(yù)報(bào)優(yōu)化等。因此，本文針對(duì)當(dāng)前人工智能技術(shù)在臺(tái)風(fēng)監(jiān)測(cè)和預(yù)報(bào)中的應(yīng)用與發(fā)展進(jìn)行回顧，最后給出目前人工智能方法在臺(tái)風(fēng)監(jiān)測(cè)和預(yù)報(bào)應(yīng)用中存在的問(wèn)題以及未來(lái)的工作展望。

1 人工智能在臺(tái)風(fēng)監(jiān)測(cè)中的應(yīng)用

臺(tái)風(fēng)往往在開(kāi)闊的洋面上生成，由于海洋上觀測(cè)資料稀少，臺(tái)風(fēng)的監(jiān)測(cè)主要依靠氣象衛(wèi)星探測(cè)來(lái)完成。在臺(tái)風(fēng)業(yè)務(wù)預(yù)報(bào)中，也主要是依靠衛(wèi)星云圖來(lái)確定臺(tái)風(fēng)的強(qiáng)度。雖然衛(wèi)星遙感不能直接測(cè)量地表附近的風(fēng)，但是云、水汽和降水的衛(wèi)星圖像可以作為估計(jì)熱帶氣旋強(qiáng)度的替代物［9－12］。

四十多年來(lái)，Dvorak［13－14］技術(shù)一直是全球熱帶氣旋（TC）強(qiáng)度估計(jì)的主要來(lái)源，尤其是在飛機(jī)偵察數(shù)據(jù)不可用的情況下［10］。Dvorak 技術(shù)包括主觀識(shí)別彩色增強(qiáng)紅外圖像中的中心和帶狀云特征，基于云圖的臺(tái)風(fēng)云型特征與臺(tái)風(fēng)強(qiáng)度的統(tǒng)計(jì)關(guān)系發(fā)展的一套基于衛(wèi)星圖像臺(tái)風(fēng)云型特征的臺(tái)風(fēng)強(qiáng)度估計(jì)技術(shù)。在過(guò)去的二十年中，已經(jīng)開(kāi)發(fā)了幾種修正的Dvorak 技術(shù)［15］。例如，Olander 和Velden［16］先進(jìn)的Dvorak 技術(shù)（ADT，Advanced Dvorak Technique）目前用于業(yè)務(wù)熱帶氣旋強(qiáng)度估計(jì)。自動(dòng)氣象站通過(guò)使用客觀的風(fēng)暴中心確定方案和基于計(jì)算機(jī)識(shí)別云特征的算法來(lái)減少主觀性，對(duì)這些算法應(yīng)用線性回歸來(lái)估計(jì)熱帶氣旋強(qiáng)度。經(jīng)過(guò)多年業(yè)務(wù)實(shí)踐，Dvorak方法也已成為各國(guó)官方機(jī)構(gòu)最常使用的臺(tái)風(fēng)主觀定強(qiáng)方法［17］。Dvorak 方法的缺點(diǎn)是在云特征指數(shù)的確定方面存在較大主觀性，不同的預(yù)報(bào)員往往定出的指數(shù)有較大的差別，因此，需要提高臺(tái)風(fēng)定強(qiáng)的客觀化和自動(dòng)化程度。

近年來(lái)，隨著人工智能學(xué)科的廣泛應(yīng)用，由于其在圖像識(shí)別方面的優(yōu)勢(shì)，如何將深度學(xué)習(xí)技術(shù)應(yīng)用于氣象領(lǐng)域的臺(tái)風(fēng)監(jiān)測(cè)，受到越來(lái)越多的關(guān)注。自從2012 年AlexNet［18-19］的提出，深度學(xué)習(xí)算法蓬勃發(fā)展。這些算法包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）和生成對(duì)抗網(wǎng)絡(luò)（GAN）。CNN 由從輸入圖像中提取空間特征的卷積層和具有簡(jiǎn)單計(jì)算單元的完全連接層組成，簡(jiǎn)單計(jì)算單元學(xué)習(xí)辨別特征以改善對(duì)目標(biāo)現(xiàn)象的預(yù)測(cè)，而不依賴人類智能來(lái)識(shí)別哪個(gè)特征是重要的［20］。因此，正如氣象學(xué)家確定云的形態(tài)在一定強(qiáng)度范圍內(nèi)與熱帶氣旋有關(guān)，CNN 將使用這些特征作為預(yù)測(cè)因子來(lái)估計(jì)TC 強(qiáng)度。崔林麗等［21］基于FY－4 衛(wèi)星的東南沿海臺(tái)風(fēng)強(qiáng)度深度學(xué)習(xí)算法，利用FY－4 衛(wèi)星多通道數(shù)據(jù)，采用CNN 深度學(xué)習(xí)模型，根據(jù)提取的特征，分別對(duì)白天和夜間構(gòu)建分類模型，給出臺(tái)風(fēng)強(qiáng)度；Zhang 等［22］利用TCIC（TC intensity grade classification）模塊結(jié)合紅外衛(wèi)星圖像將TC 強(qiáng)度分為三類，給出了三個(gè)基于CNN 回歸網(wǎng)絡(luò)的TCIE（TC intensity estimation）模型，它們將不同強(qiáng)度類型的紅外衛(wèi)星圖像與TC 最佳跟蹤數(shù)據(jù)相結(jié)合。三種TCIE 模型都考慮了分類誤差，以提高TCIE 精度。Zhuo 和Tan［23］基于物理增強(qiáng)的深度學(xué)習(xí)估計(jì)熱帶氣旋強(qiáng)度和尺度，通過(guò)引入反映TC 強(qiáng)度與尺度關(guān)聯(lián)的新概念——TC 豐滿度，能夠顯著改進(jìn)TC 強(qiáng)度估計(jì)。另外，引入的其他物理信息（下墊面信息、TC 移動(dòng)速度和風(fēng)暴年齡等）可以進(jìn)一步提升TC強(qiáng)度估計(jì)性能。

2019 年國(guó)家氣象中心聯(lián)合北京郵電大學(xué)，提出了一種端到端的可視化智能臺(tái)風(fēng)定強(qiáng)模型（核心模型見(jiàn)圖1），該模型就是通過(guò)計(jì)算機(jī)視覺(jué)領(lǐng)域成熟的預(yù)訓(xùn)練CNN 深度學(xué)習(xí)模型為基礎(chǔ)，比如：RESNET（Residual Network）、VGG（Visual Geometry Group）等，對(duì)衛(wèi)星云圖數(shù)據(jù)進(jìn)行臺(tái)風(fēng)強(qiáng)度相關(guān)的特征提取；然后，根據(jù)提取的特征分別構(gòu)建分類模型和基于相似度的檢索模型獲取決策結(jié)果；最后，融合兩個(gè)模型的識(shí)別結(jié)果，給出最終臺(tái)風(fēng)的強(qiáng)度、置信度和參考云圖。深度學(xué)習(xí)通過(guò)機(jī)器對(duì)大量樣本的分析和學(xué)習(xí)，能夠隱式提取圖像中深層抽象的復(fù)雜特征，越來(lái)越多地被應(yīng)用到臺(tái)風(fēng)強(qiáng)度估測(cè)中。

該模型已于2019 年在中央氣象臺(tái)進(jìn)行了業(yè)務(wù)測(cè)試，2020 年正式投入到實(shí)際的臺(tái)風(fēng)強(qiáng)度估測(cè)業(yè)務(wù)，基本上實(shí)現(xiàn)了基于氣象衛(wèi)星圖像對(duì)臺(tái)風(fēng)強(qiáng)度的智能識(shí)別。以2021 年登陸我國(guó)的超強(qiáng)臺(tái)風(fēng)“煙花”為例，介紹人工智能在臺(tái)風(fēng)強(qiáng)度估測(cè)中的表現(xiàn)?？傮w而言，模型對(duì)臺(tái)風(fēng)各個(gè)階段強(qiáng)度的估計(jì)與實(shí)際變化均比較一致。在臺(tái)風(fēng)增強(qiáng)階段，對(duì)臺(tái)風(fēng)在8 月6 日12時(shí)之前的強(qiáng)度估計(jì)略偏弱。在臺(tái)風(fēng)整個(gè)生命史中，能較好識(shí)別出臺(tái)風(fēng)在7 月21 日增強(qiáng)過(guò)程，以及7 月25 日登陸之后的減弱過(guò)程（圖2），對(duì)臺(tái)風(fēng)“煙花”的強(qiáng)度估計(jì)較為準(zhǔn)確，雖然某些時(shí)刻表現(xiàn)出不同程度的波動(dòng)，但整體而言模型對(duì)臺(tái)風(fēng)強(qiáng)度的估計(jì)與實(shí)況基本吻合，檢驗(yàn)結(jié)果MAE 為3.35m·s-1，RMSE 為4.6m·s-1，基本上可以滿足業(yè)務(wù)需求。

圖3 是ResNet 模型對(duì)臺(tái)風(fēng)“煙花”三個(gè)不同時(shí)刻云圖的強(qiáng)度估計(jì)結(jié)果，其中圖3（a）為“煙花”達(dá)到巔峰強(qiáng)度42m·s-1時(shí)的云圖，模型認(rèn)為該時(shí)刻臺(tái)風(fēng)強(qiáng)度為42m·s-1的概率為60%、38m·s-1的概率為34%以及48m·s-1的概率為4%，最終模型加權(quán)平均后給出40.9m·s-1的強(qiáng)度估計(jì)，與業(yè)務(wù)定強(qiáng)較為接近。圖3（b）為“煙花”強(qiáng)度的維持階段，此時(shí)模型給出的強(qiáng)度估計(jì)41.7m·s-1與業(yè)務(wù)定強(qiáng)42m·s-1更為接近。圖3（c）是“煙花”深入內(nèi)陸后的云圖，此時(shí)臺(tái)風(fēng)云型松散，中心空心明顯，但模型估計(jì)結(jié)果為25.1m·s-1，與業(yè)務(wù)定強(qiáng)25m·s-1基本一致。

2 人工智能在臺(tái)風(fēng)路徑預(yù)報(bào)中的應(yīng)用

臺(tái)風(fēng)的移動(dòng)路徑主要受到大尺度環(huán)境背景場(chǎng)、海氣相互作用以及臺(tái)風(fēng)自身結(jié)構(gòu)等多種因素的影響，因此傳統(tǒng)的預(yù)報(bào)方法并不能很好的同時(shí)反映這些復(fù)雜的熱力和動(dòng)力系統(tǒng)，很難用于提高臺(tái)風(fēng)路徑的預(yù)報(bào)水平。近年來(lái)，隨著人工智能新技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)方法在很多學(xué)科領(lǐng)域取得了一些很好的研究成果［24－28］，而遺傳算法是近年來(lái)人工智能技術(shù)領(lǐng)域十分廣泛采用的一種基于自然選擇和自然遺傳的全局優(yōu)化算法［29－33］；Jin 等［34］以進(jìn)化的遺傳算法，生成期望輸出相同的多個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體，建立了新的非線性人工智能集合預(yù)報(bào)模型；黃小燕和金龍［35］綜合考慮了臺(tái)風(fēng)移動(dòng)路徑的氣候持續(xù)因子和數(shù)值預(yù)報(bào)動(dòng)力因子，采用主成分分析特征提取與逐步回歸相結(jié)合的預(yù)報(bào)因子數(shù)據(jù)挖掘技術(shù)，以BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)作為基本模型，結(jié)合遺傳算法構(gòu)建了一種非線性智能臺(tái)風(fēng)路徑集合預(yù)報(bào)方法；王瀚［36］總結(jié)了基于深度學(xué)習(xí)的臺(tái)風(fēng)路徑預(yù)測(cè)多模型算法研究；BP 神經(jīng)網(wǎng)絡(luò)方法主要是通過(guò)選取經(jīng)緯度、中心氣壓、最大風(fēng)速、移速等預(yù)報(bào)因子（參考CLIPER 法的預(yù)報(bào)因子）來(lái)進(jìn)行臺(tái)風(fēng)的路徑預(yù)報(bào)［37］；呂慶平等［38］利用氣候持續(xù)性因子，采用支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)法及最小二乘回歸法建立了3 種不同的熱帶氣旋路徑預(yù)報(bào)模型；朱雷［39］提出了基于貝葉斯神經(jīng)網(wǎng)絡(luò)結(jié)合Bagging 委員會(huì)機(jī)器集成的臺(tái)風(fēng)路徑預(yù)報(bào)模型；周笑天等［40］則基于神經(jīng)網(wǎng)絡(luò)結(jié)合集合預(yù)報(bào)對(duì)臺(tái)風(fēng)路徑預(yù)報(bào)進(jìn)行了優(yōu)化；Mario Ruttgers等［41］研究了在生成對(duì)抗網(wǎng)絡(luò)中利用衛(wèi)星圖像來(lái)進(jìn)行臺(tái)風(fēng)路徑預(yù)測(cè)。由此可見(jiàn)，人工智能在臺(tái)風(fēng)的路徑預(yù)報(bào)中的應(yīng)用還是比較多樣的，主要的技術(shù)包括多神經(jīng)網(wǎng)絡(luò)集成（以氣候持續(xù)因子、數(shù)值模式物理量、EC 臺(tái)風(fēng)預(yù)報(bào)產(chǎn)品等資料為基礎(chǔ)，采用深度學(xué)習(xí)特征提取技術(shù)，結(jié)合多種神經(jīng)網(wǎng)絡(luò)的集成預(yù)報(bào)模型）、基于路徑圖形的預(yù)報(bào)、基于集合預(yù)報(bào)（BP 神經(jīng)網(wǎng)絡(luò)篩選集合預(yù)報(bào)成因）的方法、基于云圖的外推預(yù)報(bào)（基于對(duì)抗神經(jīng)網(wǎng)絡(luò)GAN，結(jié)合一段時(shí)間云圖，做6h 外推云圖預(yù)報(bào)，識(shí)別臺(tái)風(fēng)位置）等。

近年來(lái)，國(guó)家氣象中心也在不斷嘗試傳統(tǒng)的路徑預(yù)報(bào)方法與人工智能新技術(shù)相結(jié)合，目前業(yè)務(wù)上主要應(yīng)用的方法有兩種：（1）優(yōu)化臺(tái)風(fēng)路徑集合預(yù)報(bào)訂正（TYTEC）方法，對(duì)TYTEC 前期預(yù)報(bào)進(jìn)行實(shí)時(shí)誤差評(píng)估，通過(guò)AI 算法自動(dòng)調(diào)整各集合預(yù)報(bào)模式的參數(shù)及權(quán)重系數(shù)，從而取得最佳臺(tái)風(fēng)路徑預(yù)報(bào)效果。（2）基于多種智能計(jì)算模型的臺(tái)風(fēng)路徑集成預(yù)報(bào)方案。具體的技術(shù)路線如圖4 所示，首先對(duì)EC 臺(tái)風(fēng)集合預(yù)報(bào)成員，采用最優(yōu)定位排序法，將T 個(gè)最好成員組成一個(gè)因子矩陣X；然后利用廣義回歸神經(jīng)網(wǎng)絡(luò)、回歸隨機(jī)森林算法以及偏最小二乘算法，分別對(duì)因子矩陣X，以相同年份作為獨(dú)立樣本交叉建模，獲得三個(gè)具有與因子矩陣X 相同樣本的序列Y＝｛y1，y2，y3｝；最后采用多元回歸模型對(duì)由Y、X 和日本預(yù)報(bào)組成的模型輸入矩陣二次建模，實(shí)現(xiàn)路徑客觀預(yù)報(bào)。

3 人工智能在臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)中的應(yīng)用

目前氣象業(yè)務(wù)上的臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)，除了綜合預(yù)報(bào)方法外，其它的客觀預(yù)報(bào)方法主要是以統(tǒng)計(jì)預(yù)報(bào)和統(tǒng)計(jì)－動(dòng)力模式為主，并且大多采用回歸等統(tǒng)計(jì)方法，對(duì)臺(tái)風(fēng)強(qiáng)度的快速變化刻畫能力較弱。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，具有較強(qiáng)非線性能力的神經(jīng)網(wǎng)絡(luò)等方法在氣象預(yù)報(bào)應(yīng)用中獲得了一定的進(jìn)展，Pradhan 等［42］使用基于多層深度CNN（Convolutional Neural Network）網(wǎng)絡(luò)對(duì)臺(tái)風(fēng)等級(jí)進(jìn)行估計(jì)，Zahera等［43］使用LSTM（Long Short－Term Memory）和DNN（Deep Neural Network）網(wǎng)絡(luò)對(duì)臺(tái)風(fēng)強(qiáng)度進(jìn)行估計(jì)，Chen 等［44］發(fā)布了一個(gè)開(kāi)放數(shù)據(jù)集，提出了基于CNN強(qiáng)度回歸的多模型融合方法，Wei 等［45］使用神經(jīng)網(wǎng)絡(luò)方法對(duì)臺(tái)風(fēng)強(qiáng)度進(jìn)行更加精細(xì)的劃分，張淼等［46］利用FY－3C 微波溫度計(jì)通道特征與臺(tái)風(fēng)強(qiáng)度建立統(tǒng)計(jì)關(guān)系估計(jì)熱帶氣旋強(qiáng)度。很多的研究表明了人工智能技術(shù)在臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)方面有很好的發(fā)展前景［47-48］。因此，通過(guò)人工智能技術(shù)對(duì)臺(tái)風(fēng)預(yù)報(bào)中的非線性問(wèn)題進(jìn)行研究，是未來(lái)的發(fā)展趨勢(shì)之一。

基于深度學(xué)習(xí)預(yù)測(cè)臺(tái)風(fēng)強(qiáng)度快速增強(qiáng)的基礎(chǔ)特征提取，傳統(tǒng)的計(jì)算強(qiáng)度的特征提取方法是Dvorak技術(shù)。它設(shè)計(jì)人類構(gòu)造的特征模式，來(lái)進(jìn)行具有主觀性推測(cè)的強(qiáng)度估計(jì)和預(yù)測(cè)。近年來(lái)，基于深度學(xué)習(xí)的臺(tái)風(fēng)強(qiáng)度估計(jì)和預(yù)測(cè)的方法也得到了越來(lái)越多的關(guān)注?；谏疃葘W(xué)習(xí)的分類模型的強(qiáng)度預(yù)測(cè)方法將每個(gè)強(qiáng)度作為一個(gè)獨(dú)立的固定類來(lái)預(yù)測(cè)臺(tái)風(fēng)強(qiáng)度，并利用交叉熵?fù)p失來(lái)優(yōu)化模型。基于深度回歸的方法使用均方誤差作為損失函數(shù)估計(jì)和預(yù)測(cè)臺(tái)風(fēng)的準(zhǔn)確強(qiáng)度值。然而，這些方法忽略了強(qiáng)度預(yù)測(cè)的一個(gè)關(guān)鍵點(diǎn)，即臺(tái)風(fēng)特征提取的準(zhǔn)確性對(duì)于臺(tái)風(fēng)強(qiáng)度預(yù)測(cè)的重要性。具有相似特征模式的臺(tái)風(fēng)往往具有更接近的強(qiáng)度，因此，從歷史信息和多視角信息結(jié)合起來(lái)進(jìn)行強(qiáng)度預(yù)測(cè)是可行的研究方向。Chen 等［49］使用了五點(diǎn)加權(quán)平均法來(lái)組合歷史信息，雖然在結(jié)果上顯示了改進(jìn)，但沒(méi)有考慮到時(shí)空臺(tái)風(fēng)圖像之間的復(fù)雜關(guān)系。Chen 等［44］提出的另一個(gè)方法是將圖像旋轉(zhuǎn)不同角度后的估計(jì)值與實(shí)際圖像進(jìn)行融合以降低估計(jì)的偏差，但它忽略了圖像本身的多視角特征。臺(tái)風(fēng)強(qiáng)度預(yù)測(cè)離不開(kāi)強(qiáng)度估計(jì)的準(zhǔn)確性，已有研究使用CNN 來(lái)估計(jì)臺(tái)風(fēng)強(qiáng)度。Pradhan 等［42］在研究中首先介紹了CNN 在臺(tái)風(fēng)強(qiáng)度估計(jì)中的應(yīng)用，并將臺(tái)風(fēng)圖像分為八類。然而，他們只得到強(qiáng)度范圍而不是準(zhǔn)確的強(qiáng)度，他們的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)是相關(guān)的。Chen 等［50］在研究中使用多通道衛(wèi)星圖像和外部信息，如緯度、經(jīng)度和日期，通過(guò)回歸網(wǎng)絡(luò)來(lái)估計(jì)準(zhǔn)確的強(qiáng)度。Xu 等［51］在研究中提出一個(gè)上下文感知的cycleGAN 來(lái)解決臺(tái)風(fēng)數(shù)據(jù)的高度不平衡的問(wèn)題。Chen 等［52］還提出使用GAN 從IR1 和WV 通道生成PMW 和VIS 通道圖像，用于實(shí)時(shí)強(qiáng)度估計(jì)。然而，現(xiàn)有的方法缺乏可解釋性，不能充分利用TC 強(qiáng)度（label），而TC 強(qiáng)度是連續(xù)的，對(duì)優(yōu)化嵌入空間非常重要。不同的是，我們提出的DR－transformer 框架將臺(tái)風(fēng)強(qiáng)度估計(jì)看作是一個(gè)最近鄰分類問(wèn)題，并利用標(biāo)簽的連續(xù)性構(gòu)造了一個(gè)距離一致性嵌入空間，在這個(gè)空間中我們可以很容易地通過(guò)K－最近鄰分類器找到查詢圖像的領(lǐng)域。

因此，國(guó)家氣象中心采用人工智能領(lǐng)域的基于時(shí)空關(guān)聯(lián)深度學(xué)習(xí)模型為技術(shù)基礎(chǔ)，通過(guò)標(biāo)注、學(xué)習(xí)、預(yù)測(cè)已有數(shù)據(jù)中的關(guān)鍵信息來(lái)解決臺(tái)風(fēng)強(qiáng)度快速增強(qiáng)趨勢(shì)預(yù)測(cè)和判別問(wèn)題?；跁r(shí)空關(guān)聯(lián)深度學(xué)習(xí)模型的技術(shù)路線如圖5 所示，實(shí)現(xiàn)步驟分別是：①臺(tái)風(fēng)強(qiáng)度變化特征提??；②臺(tái)風(fēng)強(qiáng)度趨勢(shì)預(yù)測(cè)；③臺(tái)風(fēng)強(qiáng)度突變檢測(cè)；最后，根據(jù)②和③的結(jié)果進(jìn)行策略融合，輸出臺(tái)風(fēng)強(qiáng)度趨勢(shì)判別結(jié)果?；跁r(shí)空關(guān)聯(lián)深度學(xué)習(xí)模型的關(guān)鍵步驟說(shuō)明如下：

（1）臺(tái)風(fēng)強(qiáng)度變化特征提取

特征提取是強(qiáng)度趨勢(shì)預(yù)測(cè)和突變檢測(cè)的基礎(chǔ)。該技術(shù)基于歷史臺(tái)風(fēng)時(shí)間序列數(shù)據(jù)進(jìn)行學(xué)習(xí)，包括時(shí)序云圖序列數(shù)據(jù)、位置序列、其他相關(guān)數(shù)值數(shù)據(jù)比如氣壓、降水等序列的學(xué)習(xí)，屬于有監(jiān)督的多模態(tài)序列學(xué)習(xí)問(wèn)題，這也是對(duì)傳統(tǒng)序列學(xué)習(xí)的一個(gè)挑戰(zhàn)。本部分研究擬采用PIPELINE 架構(gòu)的3D 卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)構(gòu)成的3D＿LSTM 模型，同時(shí)對(duì)初始時(shí)刻到任意t 時(shí)刻的時(shí)序云圖序列的時(shí)間和空間特征進(jìn)行序列學(xué)習(xí)，并結(jié)合其他時(shí)序位置數(shù)據(jù)、數(shù)值數(shù)據(jù)進(jìn)行關(guān)聯(lián)和特征融合，預(yù)測(cè)臺(tái)風(fēng)強(qiáng)度在下一時(shí)刻即t＋1 時(shí)刻的變化特征向量。

（2）臺(tái)風(fēng)強(qiáng)度趨勢(shì)預(yù)測(cè)

臺(tái)風(fēng)強(qiáng)度趨勢(shì)預(yù)測(cè)是基于臺(tái)風(fēng)強(qiáng)度變化的通用特征，即大樣本特征進(jìn)行預(yù)測(cè)的技術(shù)。因此，在3D＿LSTM 模型得到的時(shí)序多模態(tài)下一時(shí)刻時(shí)空特征的基礎(chǔ)上，進(jìn)一步構(gòu)造回歸損失函數(shù)為基礎(chǔ)的預(yù)測(cè)模型，訓(xùn)練并計(jì)算臺(tái)風(fēng)強(qiáng)度變化的通用特征權(quán)重，從而預(yù)測(cè)臺(tái)風(fēng)在下一時(shí)刻的強(qiáng)度。

（3）臺(tái)風(fēng)強(qiáng)度突變檢測(cè)

臺(tái)風(fēng)強(qiáng)度突變檢測(cè)是基于臺(tái)風(fēng)強(qiáng)度變化特征中突變特征，即需要在所有強(qiáng)度變化特征中，學(xué)習(xí)與強(qiáng)度突變影響相關(guān)的特征。因此，在3D＿LSTM 模型得到的時(shí)序多模態(tài)下時(shí)刻時(shí)空特征的基礎(chǔ)上，進(jìn)一步構(gòu)造基于注意力機(jī)制的分類模型，計(jì)算不同時(shí)刻、不同特征的權(quán)重，從而預(yù)測(cè)臺(tái)風(fēng)在t＋1 時(shí)刻的強(qiáng)度突變的級(jí)別和概率。最后，將（2）和（3）的結(jié)果分別作為進(jìn)行交叉融合學(xué)習(xí)，得到最終的臺(tái)風(fēng)強(qiáng)度趨勢(shì)判別結(jié)果。

4 人工智能的優(yōu)勢(shì)及不足

人工智能是基于多層神經(jīng)網(wǎng)絡(luò)建立模擬人類分析、學(xué)習(xí)的模型，模仿人腦機(jī)制識(shí)別目標(biāo)，感知信息，模型通過(guò)訓(xùn)練能夠自動(dòng)提取原始數(shù)據(jù)中隱含的信息形成抽象的高層特征表示，將特征表示通過(guò)擬合函數(shù)進(jìn)行計(jì)算得到?jīng)Q策結(jié)果。近年來(lái)隨著人工智能技術(shù)的興起，利用地面自動(dòng)氣象站、雷達(dá)、衛(wèi)星等獲取的觀測(cè)數(shù)據(jù)越來(lái)越多，在氣象大數(shù)據(jù)背景下，結(jié)合具有強(qiáng)大的數(shù)據(jù)學(xué)習(xí)能力和復(fù)雜結(jié)構(gòu)特征刻畫能力的深度學(xué)習(xí)進(jìn)行研究有著十分廣闊的應(yīng)用場(chǎng)景。人工智能技術(shù)在數(shù)值天氣預(yù)報(bào)中也表現(xiàn)出明顯的優(yōu)勢(shì)，不僅可以對(duì)資料預(yù)處理、資料同化、模式積分以及預(yù)報(bào)信息的處理和交流起到優(yōu)化作用，而且還可以改善集合預(yù)報(bào)、數(shù)值模式的后處理、數(shù)值預(yù)報(bào)模型研發(fā)，甚至可以代替?zhèn)鹘y(tǒng)數(shù)值模式，有望在天氣預(yù)報(bào)中起到積極的推動(dòng)作用。

然而，由于人工智能技術(shù)多以統(tǒng)計(jì)為基礎(chǔ)，因此在應(yīng)用時(shí)也存在明顯的不足：（1）弱解釋性問(wèn)題。人工智能對(duì)規(guī)律的表示比較難理解，解釋性不足，在一定程度上限制了其在行業(yè)內(nèi)的廣泛應(yīng)用和認(rèn)可。（2）如何進(jìn)行模型設(shè)計(jì)。數(shù)值天氣預(yù)報(bào)背后有大量的數(shù)學(xué)和物理理論的支撐，而如何使用這些有明確物理意義的理論來(lái)指導(dǎo)人工智能技術(shù)還值得進(jìn)一步研究。（3）不確定性問(wèn)題。我們目前的天氣預(yù)報(bào)比較重視預(yù)報(bào)的不確定性問(wèn)題，那么如何利用人工智能技術(shù)將天氣預(yù)報(bào)的不確定性有效地表達(dá)出來(lái)也是一個(gè)值得思考的問(wèn)題。（4）如何與數(shù)值天氣預(yù)報(bào)相耦合的問(wèn)題。目前人工智能技術(shù)的應(yīng)用主要表現(xiàn)為局部?jī)?yōu)化和替代，如何實(shí)現(xiàn)與數(shù)值天氣預(yù)報(bào)和集合預(yù)報(bào)長(zhǎng)期穩(wěn)定耦合，也是需要妥善解決的問(wèn)題。（5）在高時(shí)空分辨率天氣預(yù)報(bào)問(wèn)題中的可行性。人工智能預(yù)報(bào)模型主要是依靠純數(shù)據(jù)驅(qū)動(dòng)的，這種定量化的預(yù)報(bào)模型如何在高時(shí)空分辨率和強(qiáng)非線性的天氣預(yù)報(bào)問(wèn)題中使用，還有待進(jìn)一步研究。綜上所述，人工智能技術(shù)在天氣預(yù)報(bào)應(yīng)用中還存著許多挑戰(zhàn)。

5 面臨的主要困難及展望

從現(xiàn)有研究看，人工智能已開(kāi)始在臺(tái)風(fēng)監(jiān)測(cè)和預(yù)報(bào)中發(fā)揮越來(lái)越重要的作用，體現(xiàn)在臺(tái)風(fēng)的渦旋識(shí)別、定位定強(qiáng)、路徑預(yù)報(bào)、強(qiáng)度預(yù)報(bào)等多個(gè)方面。純數(shù)據(jù)驅(qū)動(dòng)的人工智能預(yù)報(bào)模型已經(jīng)在臺(tái)風(fēng)監(jiān)測(cè)和預(yù)報(bào)的應(yīng)用中表現(xiàn)出巨大的潛力。然而人工智能技術(shù)在臺(tái)風(fēng)監(jiān)測(cè)和預(yù)報(bào)的應(yīng)用中還存在許多的困難和挑戰(zhàn)，未來(lái)的發(fā)展方向可能主要分為以下幾個(gè)方面：

（1）在全球熱帶氣旋的監(jiān)測(cè)中的應(yīng)用。包括全球熱帶氣旋的自動(dòng)識(shí)別和定位定強(qiáng)。隨著我國(guó)多系列氣象衛(wèi)星的發(fā)射成功，我們每天可以得到海量的衛(wèi)星云圖數(shù)據(jù)，如何從大量的衛(wèi)星數(shù)據(jù)圖像中更加精準(zhǔn)地識(shí)別出全球范圍內(nèi)同時(shí)存在的多個(gè)熱帶氣旋，并且自動(dòng)進(jìn)行定位和定強(qiáng)是未來(lái)臺(tái)風(fēng)監(jiān)測(cè)的重點(diǎn)發(fā)展方向。同時(shí)，人工智能預(yù)報(bào)模型在計(jì)算量和數(shù)據(jù)訪問(wèn)量方面的需求也大幅提升，也對(duì)高性能計(jì)算平臺(tái)提出了更高的要求。

（2）臺(tái)風(fēng)路徑預(yù)報(bào)的優(yōu)化。近年來(lái)隨著集合預(yù)報(bào)和數(shù)值模式的發(fā)展，臺(tái)風(fēng)路徑預(yù)報(bào)水平有了大幅提高，但是對(duì)于復(fù)雜路徑和奇異路徑的臺(tái)風(fēng)，模式往往顯得無(wú)能為力，因此臺(tái)風(fēng)路徑預(yù)報(bào)也遇到了發(fā)展的瓶頸。未來(lái)借助于人工智能技術(shù)深度挖掘影響和制約臺(tái)風(fēng)移動(dòng)路徑的多種大尺度影響因子、臺(tái)風(fēng)本身內(nèi)力，并結(jié)合數(shù)值模式和集合預(yù)報(bào)，可能會(huì)找到提高臺(tái)風(fēng)路徑預(yù)報(bào)水平的新突破口。

（3）臺(tái)風(fēng)強(qiáng)度突變的預(yù)報(bào)。當(dāng)熱帶氣旋在短時(shí)間內(nèi)急劇增強(qiáng)時(shí)，就會(huì)發(fā)生快速增強(qiáng)。臺(tái)風(fēng)快速增強(qiáng)仍然是熱帶天氣預(yù)報(bào)的主要挑戰(zhàn)之一。如何利用海量的氣象衛(wèi)星圖像，通過(guò)人工智能技術(shù)對(duì)衛(wèi)星圖像特征信息進(jìn)行深度學(xué)習(xí)和挖掘，結(jié)合數(shù)值模式對(duì)臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)的一些模式算法，進(jìn)而識(shí)別其強(qiáng)度迅速變化的征兆，從而提高對(duì)臺(tái)風(fēng)強(qiáng)度及其突變的預(yù)報(bào)能力也就成為了尤為重要的課題。

6 結(jié)論

隨著人工智能技術(shù)的不斷發(fā)展，研究探索適合氣象領(lǐng)域的深度學(xué)習(xí)模型，更好地利用來(lái)自地面自動(dòng)氣象站、雷達(dá)、衛(wèi)星等獲取的大規(guī)模觀測(cè)數(shù)據(jù)，自動(dòng)、智能、快速地得到更加精準(zhǔn)、可解釋、可控可調(diào)、可視化的預(yù)測(cè)結(jié)果，必將對(duì)氣象領(lǐng)域帶來(lái)深遠(yuǎn)的影響。

通過(guò)對(duì)衛(wèi)星云圖所拍攝的臺(tái)風(fēng)進(jìn)行渦旋識(shí)別、定強(qiáng)、路徑跟蹤可以有效地對(duì)實(shí)時(shí)臺(tái)風(fēng)的位置定位、風(fēng)險(xiǎn)評(píng)估及預(yù)警發(fā)布，圍繞如何有效利用氣象衛(wèi)星圖像進(jìn)行自動(dòng)渦旋定位和定強(qiáng)，進(jìn)行全天候自動(dòng)追蹤展開(kāi)研究，利用人工智能技術(shù)對(duì)衛(wèi)星云圖進(jìn)行特征分析、抽取、識(shí)別和定位，具有重要的研究意義。未來(lái)結(jié)合人工智能等方法，也必將對(duì)臺(tái)風(fēng)實(shí)時(shí)監(jiān)測(cè)乃至預(yù)報(bào)預(yù)測(cè)等技術(shù)起到巨大的推動(dòng)作用。