氣象人工智能技術(shù)與應(yīng)用氣候-水-能源研究組Climate-Water-EnergyResearch

Group羅 勇 夏 馨 施 文 廖舟怡 馬子起黃建斌 黃小猛2人工智能的發(fā)展符號AI專家系統(tǒng)規(guī)則系統(tǒng)第一代第二代John

McCarthyMarvin

MinskyAllen

NewellHerbertA.

SimonArthur

SamuelClaudeShannonRay

SolomonoffOliverSelfridgeNathanielRochesterTrenchard

More1956Dartmouth

ConferenceThepioneersof

AI1956達(dá)特茅斯會議AI先驅(qū)者感知智能大數(shù)據(jù)驅(qū)動的統(tǒng)計學(xué)習(xí)方法初步實現(xiàn)了針對文本、圖像、語音等感知與識別Geoffrey

HintonYann

LeCun認(rèn)知智能張鈸院士2016

年提出第三代人工智能雛形，DARPA 2018年發(fā)布AINext

計劃。核心要素是數(shù)據(jù)、知識、算法和算力。Ilya

Sutskever姚期智Yoshua

BengioNoamChomskyEdward

FeigenbaumRobert

Mercer第三代通過對巨量數(shù)據(jù)的建模和處理，實現(xiàn)對多模態(tài)信息的理解、推理、規(guī)劃、執(zhí)行，實現(xiàn)復(fù)雜的高階認(rèn)知任務(wù)大數(shù)據(jù)與人工智能正在引發(fā)一場深刻的地球科學(xué)研究革命大數(shù)據(jù)與人工智能應(yīng)對全球變化研究呈爆發(fā)性增長，有力促進(jìn)了地球系統(tǒng)的機(jī)理、模擬和預(yù)測研究，人工智能與數(shù)值預(yù)報的融合成為熱點(diǎn)和難點(diǎn)大數(shù)據(jù)和人工智能人工智能如何創(chuàng)新研究范式？氣象人工智能技術(shù)應(yīng)用人工智能的原理和方法，包括但不限于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)挖掘和自然語言處理等，對氣象數(shù)據(jù)進(jìn)行高效處理、分析和解釋的技術(shù)。這些技術(shù)在氣象領(lǐng)域的應(yīng)用越來越廣泛，已經(jīng)成為提升氣象服務(wù)水平的重要手段。6AI氣象大模型的發(fā)展2018年ECMWF發(fā)布了機(jī)器學(xué)習(xí)相關(guān)的科學(xué)出版物2022年2月全面的中期天氣預(yù)報模式有所發(fā)展2022年10月1 km2 全球更細(xì)分辨率的模型2022年11月熱帶氣旋等天氣2022年12月大量預(yù)測模型出現(xiàn)2023年1月全球和區(qū)域尺度共同發(fā)展2023年4月7天+

預(yù)報技巧提升PeterDueben和

PeterBauer（ECMWF）使

用ERA5

數(shù)據(jù)發(fā)布了一篇論文，

分辨率約為500公里，用于預(yù)測未來z500。Keisler

發(fā)展了

GraphNN

1°分辨率，可以與GFS模式相比較。NVIDIA創(chuàng)建了FourCastNetFourier+，0.25°分辨率，比IFS預(yù)報快O(104)

倍，且模式運(yùn)行更為節(jié)能。Jua.ai

等實現(xiàn)全球1x1

公里，提前48小時，時間步長5分鐘預(yù)報。華為

-盤古氣象大模型0.25

°分辨率，小時產(chǎn)品，“比IFS更準(zhǔn)確的軌跡”。谷歌Deepmind–

GraphCast0.25°

分辨率，6

小

時

產(chǎn)

品

，預(yù)測許多變量和氣壓層，精度與IFS接近。微軟

–ClimaX在各種分辨率下進(jìn)行預(yù)測，

包括全球和區(qū)域。中國學(xué)術(shù)界+

上海氣象局

-風(fēng)烏0.25°

分

辨

率

，6 小時產(chǎn)品

，在更長的時間尺度上改進(jìn)了GraphCast（仍然是確定性的預(yù)報）。2023年11月15天+

（S2S）全球預(yù)報復(fù)旦大學(xué)

+

上海科學(xué)智能研究所–

伏羲氣候氣象大模型，

伏羲次季節(jié)大模型的預(yù)報精度更準(zhǔn)、預(yù)報周期更長（

45

天）

、運(yùn)行速度提升千倍。2024年6月18日中國氣象局發(fā)布不同時間尺度三大AI氣象大模型風(fēng)清：

人工智能全球中短期預(yù)報系統(tǒng)；風(fēng)雷：

人工智能臨近預(yù)報系統(tǒng)；風(fēng)順：

人工智能全球次

季節(jié)—

季節(jié)預(yù)測系統(tǒng)。報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考智能氣候預(yù)測什么是智能氣候預(yù)測？將人工智能算法與氣候預(yù)測相結(jié)合，構(gòu)建智能氣候預(yù)測技術(shù)體系，即以大數(shù)據(jù)應(yīng)用為前提，在通過機(jī)器學(xué)習(xí)和常規(guī)方法進(jìn)行客觀定量預(yù)測的基礎(chǔ)上進(jìn)行智能評估，繼而動態(tài)推薦預(yù)測結(jié)果。隨著大數(shù)據(jù)和人工智能的發(fā)展，海量數(shù)據(jù)深度學(xué)習(xí)、復(fù)雜神經(jīng)網(wǎng)絡(luò)等逐步應(yīng)用，人工智能為氣候預(yù)測提供了一種解決難題的新思路。可以用人工智能算法把超級計算機(jī)的預(yù)報結(jié)果盡可能地、自動地、不用人工干預(yù)地修正到與實際觀測數(shù)據(jù)更接近，以促進(jìn)延伸期-月-次季節(jié)-季氣候預(yù)測能力和準(zhǔn)確率逐步提高。研究思路10“環(huán)流是天氣的載體”+“巡航導(dǎo)彈”模型以數(shù)值模式回算資料的季節(jié)環(huán)流預(yù)測作為輸入，以對應(yīng)的降水預(yù)測作為輸出，訓(xùn)練模型學(xué)習(xí)環(huán)流與同期降水之間的非線性關(guān)系；利用觀測資料對模型進(jìn)行遷移學(xué)習(xí)，進(jìn)一步調(diào)整網(wǎng)絡(luò)參數(shù)。實際預(yù)測時，利用高質(zhì)量的多模式集合季節(jié)環(huán)流預(yù)測場輸入模型，預(yù)測季節(jié)降水。巡航導(dǎo)彈通常采用慣導(dǎo)、地形匹配制導(dǎo)、GPS制導(dǎo)和景象匹配制導(dǎo)等組合制導(dǎo)方式。11探索思路：射擊問題與巡航導(dǎo)彈傳統(tǒng)的射擊問題氣候系統(tǒng)預(yù)測的相似性大氣：導(dǎo)彈；海陸冰：地形地貌巡航導(dǎo)彈通常采用慣導(dǎo)、地形匹配制導(dǎo)、GPS制導(dǎo)和景象匹配制導(dǎo)等組合制導(dǎo)方式。擬解決的科學(xué)問題建立夏季降水的深度學(xué)習(xí)預(yù)測模型通過監(jiān)督學(xué)習(xí)/無監(jiān)督學(xué)習(xí)的思路，將卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法應(yīng)用在夏季降水的季節(jié)預(yù)測中，通過觀測資料和動力模式數(shù)據(jù)（季節(jié)模式，CMIP6）建立基于模式季節(jié)預(yù)測結(jié)果和前期觀測信息的汛期降水預(yù)測模型，對汛期降水距平百分率空間分布場進(jìn)行預(yù)測，以期提高汛期降水預(yù)測準(zhǔn)確率。前兆信號和影響機(jī)理的識別由于深度學(xué)習(xí)可以處理多維數(shù)據(jù)，具有自動提取特征的功能。可以利用可解釋性深度學(xué)習(xí)的部分方案，評估深度學(xué)習(xí)模型的預(yù)測機(jī)理。目的在發(fā)現(xiàn)新的影響因子和預(yù)報關(guān)系，評估不同因子對夏季降水的影響大小，分析汛期降水的影響機(jī)制。模式誤差來源的分析和評估使用深度學(xué)習(xí)模型訂正模式數(shù)據(jù)；通過分析模式回算數(shù)據(jù)與觀測或再分析資料所構(gòu)建模型的差異，評估模式對不同物理過程的模擬能力；或通過深度學(xué)習(xí)模型分析模式汛期降水預(yù)測誤差的主要來源。12汛期全國氣候趨勢預(yù)測1月

–

啟動分析研判工作2月-3月

-

召開汛期全國氣候趨勢預(yù)測會商會；3月23日起，中國氣象局首次面向公眾發(fā)布?xì)夂蝾A(yù)測信息4月

–

中國氣象局舉行新聞發(fā)布會，發(fā)布全國汛期氣候趨勢預(yù)測結(jié)果5月

-召開汛期氣候趨勢預(yù)測滾動訂正6月

–

召開汛期氣候趨勢預(yù)測第二次滾動訂正9月

-汛期全國氣候趨勢預(yù)測檢驗評估綜合分析前期海洋、陸面、大氣環(huán)流、氣候異常特征等影響因素邀請水利部、高校及科研院所等專家共同研判；結(jié)合國內(nèi)外動力氣候模式預(yù)測結(jié)果滾動訂正預(yù)測結(jié)果滾動訂正預(yù)測結(jié)果2021年汛期降水趨勢預(yù)測邀請水利部、高校及科研院所等專家共同研判中國汛期降水時空分布特征151950sDingetal.,2008,Int.J.Climatol;Wuetal.,2018,

Atmosphere1960s1970s1980s1990s2000s2010s中國中東部汛期降水年代際變化受季風(fēng)、地形等影響，我國汛期（6-8月）總雨量占全年降水量比例大，且區(qū)域差異和年際年代際變化明顯。汛期降水與國民經(jīng)濟(jì)和人民生活密切相關(guān)，是我國短期氣候預(yù)測的主要任務(wù)。中國中東部降水年循環(huán)東亞季風(fēng)影響因素示意圖“東南西北中”這五大因素可以概括影響東亞季風(fēng)的主要熱力、動力條件，即大氣環(huán)流和下墊面熱狀況。汛期降水?dāng)?shù)值模式預(yù)測技巧17國際主流數(shù)值模式近四年汛期預(yù)測評分（ACC，PS）上圖來源：國家氣候中心;吳捷等,

2017,大氣科學(xué);

Wang

et

al.,

2009,

CDBCC二代模式對不同地區(qū)（全球，熱帶，北半球熱帶外，南半球熱帶外，

東亞，

南亞）

的降水預(yù)報TCC

。不同顏色表示不同起報時間。模式對不同地區(qū)的降水預(yù)報能力不同。對中高緯度地區(qū)預(yù)報技巧較低；模式對大氣環(huán)流、溫度等變量預(yù)測能力遠(yuǎn)超對降水的預(yù)報能力。季節(jié)氣候模式的汛期預(yù)報PS評分在70分左右；但ACC（距平相關(guān)系數(shù)）仍在0.2以下，甚至可能小于0。封國林等,2013,應(yīng)用氣象學(xué)報;

劉穎等,

2020,

氣候與環(huán)境研究動力-統(tǒng)計模型汛期降水預(yù)測FODAS系統(tǒng)預(yù)測流程1.

統(tǒng)計后處理利用歷史相似等方案對模式預(yù)報誤差進(jìn)行訂正50607080PS2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019Year業(yè)務(wù)模式FODASFODAS：74分業(yè)務(wù)模式：64分2.

統(tǒng)計降尺度利用動力模式中具有較高預(yù)測技巧的大尺度環(huán)流信息預(yù)測降水1991-2012年汛期降水與同期東亞SLPSVD第一模態(tài)SLP降水18動力-統(tǒng)計方法仍依賴對影響機(jī)制和模式誤差的理解，且樣本數(shù)量少，效果不夠穩(wěn)定。什么是Deep

Learning？手工地選取特征是一件非常費(fèi)力、啟發(fā)式（需要專業(yè)知識）的方法，能不能選取好很大程度上靠經(jīng)驗和運(yùn)氣，而且它的調(diào)節(jié)需要大量的時間。既然手工選取特征不太好，那么能不能自動地學(xué)習(xí)一些特征呢？答案是能！“深度學(xué)習(xí)”就擅長做這個事情！DeepLearning

=Learningrepresentations/features

withoutbeing

taught深度學(xué)習(xí)：學(xué)習(xí)數(shù)據(jù)表示的多級方法。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支領(lǐng)域，是從數(shù)據(jù)中學(xué)習(xí)表示的一種新方法，強(qiáng)調(diào)從連續(xù)的層（layer）中進(jìn)行學(xué)習(xí)，這些層對應(yīng)于越來越有意義的表示。“深度學(xué)習(xí)”中的“深度”指的并不是利用這種方法所獲取的更深層次的理解，而是指一系列連續(xù)的表示層。深度學(xué)習(xí)方法的優(yōu)勢20Reichsteinetal.,2019,Nature;Lecunetal.,2019,

Nature深度學(xué)習(xí)：通過多個處理層（神經(jīng)網(wǎng)絡(luò)）學(xué)習(xí)抽取合適的特征（預(yù)測因子），而不再局限于人工設(shè)計模型后的參數(shù)優(yōu)化，稱為表示學(xué)習(xí)（representation

learning

）。y=f(z) 通過激活函數(shù)模擬非線性關(guān)系通過反向傳播訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，

找到更優(yōu)的參數(shù)組合深度學(xué)習(xí)在氣候預(yù)測中的應(yīng)用前景Racah,2017,arXiv;Vandal,2018,IJCAI;Reichstein,2019,

Nature事件識別降尺度場預(yù)測序列預(yù)測21季節(jié)預(yù)測仍然是重大挑戰(zhàn)，特別是中緯度降水預(yù)測能力仍然較低，因此中國汛期降水預(yù)測仍然是重大挑戰(zhàn)，而深度學(xué)習(xí)可能帶來新的提升：目前的概念模型受限于對影響因子的理解。深度學(xué)習(xí)的挖掘能力可能學(xué)習(xí)到新的預(yù)測信號。動力模式預(yù)測技巧較低。模式數(shù)據(jù)不斷增多，但對其誤差的特征和原因的分析遠(yuǎn)遠(yuǎn)不夠；而深度學(xué)習(xí)擅于處理大數(shù)據(jù)。目前應(yīng)用的統(tǒng)計方法往往結(jié)構(gòu)較為簡單，對非線性關(guān)系描述能力較弱。深度學(xué)習(xí)則可以從數(shù)據(jù)中學(xué)習(xí)合理的非線性特征。深度學(xué)習(xí)聚焦于空間學(xué)習(xí)和序列學(xué)習(xí)，其數(shù)據(jù)形式與氣候數(shù)據(jù)有很高的相似性。Kadow,2020,Nature;Ham,2019,

Nature深度學(xué)習(xí)在氣候領(lǐng)域的應(yīng)用（1）22深度學(xué)習(xí)利用模式數(shù)據(jù)補(bǔ)充缺測值HadCRUT4

早期缺測值較多（

圖a），

利用CMIP模式數(shù)據(jù)，深度學(xué)習(xí)可以補(bǔ)充缺測值（圖b），效果超過克里金插值（圖c）和PCA插值（圖d）。以1877年7月為例，深度學(xué)習(xí)方法可以復(fù)現(xiàn)厄爾尼諾現(xiàn)象（圖b）。利用遷移學(xué)習(xí)提升ENSO預(yù)測準(zhǔn)確率使用21個CMIP5模式數(shù)據(jù)對深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練，使用觀測、再分析資料對模型參數(shù)進(jìn)行訂正（遷移學(xué)習(xí)），對結(jié)果有顯著提升。解決深度學(xué)習(xí)的兩大問題：1.

樣本量不足：一些研究結(jié)合模式數(shù)據(jù)訓(xùn)練模型。Hametal.,2019,Nature;Benjaminetal.,2019,

arXiv提前18個月預(yù)測1997/98ENSO事件：填色：Heatmap，表示預(yù)測因子對結(jié)果影響的比重；等值線：海表氣溫和熱容量。深度學(xué)習(xí)模型準(zhǔn)確模擬了預(yù)測因子對1997/98年厄爾尼諾的影響：熱帶西太平洋熱容量正異常，印度洋偶極子負(fù)位相，北大西洋冷海溫。23深度學(xué)習(xí)在氣候領(lǐng)域的應(yīng)用（2）解決深度學(xué)習(xí)的兩大問題：2.

機(jī)理難以解釋。一些研究探索了通過模型可視化探索機(jī)理的可能性。利用深度學(xué)習(xí)識別ENSO事件：模型可視化方法optimal

input顯示，神經(jīng)網(wǎng)絡(luò)準(zhǔn)確識別了ENSO指數(shù)的定義區(qū)域為赤道中東太平洋。報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考基于卷積神經(jīng)網(wǎng)絡(luò)方法的季節(jié)降水預(yù)測25動力—統(tǒng)計結(jié)合對多個動力模式進(jìn)行后處理統(tǒng)計降尺度基于高技巧的環(huán)流變量預(yù)測降水深度學(xué)習(xí)CNN模型自動提取氣象場中的預(yù)測因子基礎(chǔ)模型深度特征任務(wù)特異頭部SEDES模型神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)5層CNN+卷積注意力模塊+季節(jié)特征SEDES模型的訓(xùn)練策略動力模式環(huán)流or

觀測環(huán)流嶺回歸遷移學(xué)習(xí)降水距平場PC系數(shù)重建為降水距平場遷移學(xué)習(xí)嶺回歸遷移學(xué)習(xí)方法克服小樣本問題基于深度學(xué)習(xí)方法的中國季節(jié)降水預(yù)測系統(tǒng)SEasonalDEep-learning

System物理統(tǒng)計方法（前期因子）動力─統(tǒng)計結(jié)合方法（同期因子）完全預(yù)報方法（PP）訂正（calibration）模式輸出統(tǒng)計（MOS）統(tǒng)計降尺度*（bridging）*基于模式高技巧輸出的預(yù)測SEDES模型應(yīng)用效果262020年ACC=0.23

PS=81.22022年ACC=0.37

PS=742021年ACC=0.16

PS=752023年ACC=0.13

PS=69.5獨(dú)立樣本檢驗（2013-2016）參加全國汛期預(yù)測會商3月起報MME環(huán)流距平ERA5環(huán)流距平輸入優(yōu)化環(huán)流標(biāo)準(zhǔn)化距平divuvq850div2022年汛期降水預(yù)測誤差的診斷復(fù)盤2024年中國地區(qū)6-8月降水距平百分率（%）預(yù)測基于卷積神經(jīng)網(wǎng)絡(luò)方法的次季節(jié)降水預(yù)測27基本目標(biāo)對氣候中心的區(qū)域次季節(jié)預(yù)測模式CWRF進(jìn)行降尺度后處理在三個時間尺度（5d、10d、30d）上分別建立環(huán)流和降水的關(guān)系形成侯、旬、月三個時間尺度的預(yù)測產(chǎn)品1Dmodel5day1Dmodel30day2Dmodel5day2Dmodel30day獨(dú)立驗證集分?jǐn)?shù)隨機(jī)樣本對比空間細(xì)節(jié)模糊侯、旬：一維模型月：二維模型降水異常典型模態(tài)的環(huán)流配置降水異常典型年的環(huán)流成因目標(biāo)問題：深度學(xué)習(xí)模型的后解釋性中國季節(jié)降水異常與環(huán)流的關(guān)系通過“optimal

input”方法求解深度學(xué)習(xí)模型中有利于特定降水異常模態(tài)的環(huán)流配置。通過“Grad-CAM”方法求解典型年同期環(huán)流中導(dǎo)致降水異常分布的主要影響信號。降水異常模態(tài)EOF1空間分布降水異常模態(tài)EOF3空間分布以降水的第1和第3模態(tài)為例：29降水異常典型模態(tài)的環(huán)流配置SEDES可以對某特定環(huán)流配置下季節(jié)降水各EOF模態(tài)對應(yīng)的PC系數(shù)值進(jìn)行預(yù)測。通過輸入優(yōu)化（optimal

input）方法，尋找SEDES模型預(yù)測冬季降水EOF1和EOF3模態(tài)正位相時的判據(jù)，即生成EOF1和EOF3模態(tài)正位相對應(yīng)的典型環(huán)流場，從而討論該模型的物理可解釋性。環(huán)流模型參數(shù)PC系數(shù)讀取已有的模型結(jié)構(gòu)和參數(shù)并固定將一組大氣環(huán)流異常場初始化為0將大氣環(huán)流異常場輸入模型獲取模型輸出的第k個PC系數(shù)通過梯度下降，修訂環(huán)流異常場，使其輸出的第k個PC系數(shù)更大第k個PC系數(shù)不再增長時，對應(yīng)的環(huán)流異常場為使第k個模態(tài)為顯著正位相時對應(yīng)的典型環(huán)流場基于輸入優(yōu)化的典型環(huán)流場分析流程圖30降水異常典型模態(tài)的環(huán)流配置–

方法介紹模型訓(xùn)練階段，將配對的環(huán)流和PC系數(shù)輸入模型，不斷調(diào)整模型參數(shù)，使模型輸出接近標(biāo)簽值；輸入優(yōu)化階段，固定模型參數(shù)，不斷調(diào)整模型輸入，使模型輸出接近期待值。200hPa緯向風(fēng)異常（色階）850hPa比濕異常（色階）北方降水偏多對應(yīng)500hPa位勢高度異常場為西北低東南高分布，烏山至貝湖地區(qū)為大面積負(fù)異常，中高緯冷空氣活躍；西太副高偏強(qiáng)偏北，大量水汽在低層沿偏南風(fēng)向北輸送。該結(jié)果表明深度學(xué)習(xí)模型具有物理可解釋性。揭示了不同季節(jié)典型降水異常的環(huán)流成因。500hPa高度異常（等值線） 850hPa風(fēng)異常（等值線）基于EOF1正位相生成的環(huán)流場

環(huán)流對應(yīng)降水標(biāo)準(zhǔn)化異常空間分布31降水異常典型模態(tài)的環(huán)流配置–

以EOF1為例夏季冬季200hPa緯向風(fēng)異常（色階）500hPa高度異常（等值線）850hPa比濕異常（色階）850hPa風(fēng)異常（等值線）基于EOF3正位相生成的環(huán)流場1997/1998

年冬季大氣環(huán)流場環(huán)流對應(yīng)降水標(biāo)準(zhǔn)化異常空間分布厄爾尼諾成熟期菲律賓反氣旋對東亞氣候的影響示意圖（Wang,2000,J.

Climate）32降水異常典型模態(tài)的環(huán)流配置–

以EOF3為例冬季冬季南方降水偏多對應(yīng)的深度學(xué)習(xí)輸入優(yōu)化環(huán)流與厄爾尼諾成熟期的環(huán)流類似。表明模型對大范圍遙相關(guān)的非線性擬合能力。，第k個特征圖對應(yīng)的權(quán)重

為：Grad-CAM：對于模型第c個輸出值=, =1其中A為特征圖集合，i、j為特征圖上的格點(diǎn)坐標(biāo)，Z為格點(diǎn)總數(shù)。最終輸出的激活圖 為：L = ( )33季節(jié)降水的環(huán)流影響機(jī)制降水異常典型模態(tài)的環(huán)流配置降水異常典型年的環(huán)流成因目標(biāo)問題：深度學(xué)習(xí)模型的后解釋性中國季節(jié)降水異常與環(huán)流的關(guān)系通過“optimal

input”方法求解深度學(xué)習(xí)模型中有利于特定降水異常模態(tài)的環(huán)流配置。通過“Grad-CAM”方法求解典型年同期環(huán)流中導(dǎo)致降水異常分布的主要影響信號。對于典型降水異常年，通過類激活圖（ClassActivation

Mapping）方法，標(biāo)出對模型預(yù)測結(jié)果產(chǎn)生顯著影響的環(huán)流區(qū)域，從而找到該年降水異常的環(huán)流成因。2013年夏季降水異常，其中（a）為觀測，（b）為以再分析資料作為輸入的模型預(yù)測（ACC=0.75）再分析大氣環(huán)流標(biāo)準(zhǔn)化異常空間分布以2013年夏季為例，激活圖反映了西太平洋至中國范圍內(nèi)的南方暖濕空氣傳播路徑。典型的環(huán)流經(jīng)向波列表明該年夏季風(fēng)偏強(qiáng)，高低層配置指示了冷暖空氣匯集的位置。因此，深度學(xué)習(xí)模型針對個例提取了東亞地區(qū)環(huán)流異常的關(guān)鍵特征，作為降水異常預(yù)測的主要依據(jù)。2013年夏季模型激活圖空間分布200hPa緯向風(fēng)異常（色階）500hPa高度異常（等值線）850hPa比濕異常（色階）850hPa風(fēng)異常（等值線）34降水異常典型年的環(huán)流成因–

以2013年夏季為例類激活圖深度學(xué)習(xí)可解釋性方法-遮擋敏感性35（Zeileret

al.，2014）衡量不同空間區(qū)域的輸入貢獻(xiàn)，定位潛在的預(yù)報信號（Shin

etal.,

2022）尋找高頻降水變率中人類活動的信號（Hametal.,

2022）衡量不同空間位置的信息如何改變輸入結(jié)果零值遮擋：輸入本身的重要性將輸入動力模式環(huán)流的部分環(huán)流區(qū)域替換為再分析資料，計算降水ACC變化，評估優(yōu)化不同區(qū)域環(huán)流預(yù)測效果對降水預(yù)測技巧的提升，可以揭示出對降水預(yù)測產(chǎn)生負(fù)面效果的環(huán)流預(yù)測誤差關(guān)鍵區(qū)；對歷史同期平均而言，SEDES模型預(yù)測技巧對近地面熱力條件和低層水汽異常的誤差最為敏感。真值遮擋：輸入誤差的重要性現(xiàn)有應(yīng)用SEDES

應(yīng)用深度學(xué)習(xí)可解釋性方法-輸入優(yōu)化（Olah,

2017）現(xiàn)有應(yīng)用特定分類反推極端天氣事件的輸入環(huán)流配置（Gagneetal.,

2019）利用氣候模式做為訓(xùn)練集的模型，反推氣候模式對氣候變暖模擬的關(guān)鍵偏差（

Barnes

etal.,2020

）EOF1EOF3固定模型參數(shù)，從輸出反推輸入最優(yōu)環(huán)流配置？根據(jù)降水主要模態(tài)反推最優(yōu)輸入環(huán)流，指示與特定降水分布對應(yīng)的典型環(huán)流場給定單一神經(jīng)元輸出給定單一模態(tài)輸出實況降水對應(yīng)PC系數(shù)組合36SEDES

應(yīng)用局部誤差及其影響-中高緯系統(tǒng)37u200z500uvq700-+++++在東北地區(qū)，200hPa緯向風(fēng)和700hPa緯向風(fēng)的預(yù)測誤差對降水預(yù)測影響較大。動力模式對急流的波動特征、強(qiáng)度和出口位置預(yù)測不準(zhǔn)確，700hPa風(fēng)場在東北地區(qū)的預(yù)測與實際相反可能是東北、內(nèi)蒙東部一帶降水預(yù)測偏差的主要原因。這種實況配置與最優(yōu)環(huán)流一致3月起報MME環(huán)流距平ERA5環(huán)流距平3月起報MME環(huán)流距平3月起報MME環(huán)流距平輸入優(yōu)化環(huán)流標(biāo)準(zhǔn)化距平小結(jié)機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)方法在季節(jié)-次季節(jié)氣候預(yù)測中有廣泛的應(yīng)用前景。當(dāng)前汛期預(yù)報業(yè)務(wù)主要依賴于數(shù)值模式和預(yù)報員的主觀訂正。本研究提供了針對全國汛期降水距平百分率的深度學(xué)習(xí)客觀預(yù)報模型，利用模式環(huán)流預(yù)報數(shù)據(jù)，提供更準(zhǔn)確的全國汛期降水距平百分率分布預(yù)報。利用模型的可解釋性，可進(jìn)一步分解深度學(xué)習(xí)模型的誤差來源，為分析同期環(huán)流與汛期降水的非線性關(guān)系，及分析數(shù)值模式的關(guān)鍵誤差提供幫助。38報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考40風(fēng)電場風(fēng)速和風(fēng)電功率預(yù)報現(xiàn)狀購買臨近網(wǎng)格點(diǎn)的歐洲風(fēng)速預(yù)報產(chǎn)品單一風(fēng)電場風(fēng)速和風(fēng)功率后處理訂正系統(tǒng)單一風(fēng)電場風(fēng)速和風(fēng)功率預(yù)報產(chǎn)品依賴國外預(yù)報產(chǎn)盤，被“卡脖子”；成本倍增；資料同化尚未廣泛應(yīng)用。模式后處理模型可解釋性較差，無法從大量模式變量中篩選重要特征；不同地區(qū)需要花費(fèi)大量時間進(jìn)行特征工程構(gòu)建；單一風(fēng)電場的數(shù)據(jù)樣本量不足；模式后處理算法較為簡單，忽略了氣象變量的時間相關(guān)性。41WINDES設(shè)計思路美國、歐洲或者中國氣象局全球預(yù)報產(chǎn)品中國地區(qū)中尺度氣象預(yù)報模式（3-5公里）全國或省電網(wǎng)范圍內(nèi)所有風(fēng)電場后處理訂正系統(tǒng)全國或省電網(wǎng)范圍內(nèi)所有風(fēng)電場風(fēng)速和風(fēng)功率預(yù)報產(chǎn)品中國數(shù)據(jù)同化（下墊面、不同風(fēng)電場測風(fēng)塔的空間相關(guān)性）特征構(gòu)建、提取和選擇（小時特征與M-O長度、理查孫數(shù)）全球預(yù)報產(chǎn)品靈活切換，不受制于人網(wǎng)格0102-16水平分辨率25

km5

km垂直層數(shù)5151云微物理方案MorrisonMorrison長波輻射方案RRTMGRRTMG短波輻射方案RRTMGRRTMG陸面過程方案NoahNoah積云對流方案Kain–Fritsch無邊界層方案YSUYSUWRF模式的網(wǎng)格以及參數(shù)設(shè)置WRF模式運(yùn)行設(shè)置42基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)方法的風(fēng)速預(yù)報系統(tǒng)（WINDES，WINDspeeddEep-learning

System）WRF模式模擬區(qū)域和嵌套網(wǎng)格設(shè)置模擬區(qū)域劃分依據(jù)：省級電網(wǎng)區(qū)域范圍預(yù)報時間：2009年6月-2010年5月采用的模式運(yùn)行設(shè)置在實際應(yīng)用中可以滿足電網(wǎng)對于時間的需求。基于WRF模式的短期風(fēng)速預(yù)報43各省（區(qū)、市）風(fēng)資源開發(fā)地區(qū)WRF中尺度模式風(fēng)速預(yù)報第一部分WRF模式風(fēng)速預(yù)報第二部分資料同化改進(jìn)預(yù)報3DVar資料同化基于機(jī)器學(xué)習(xí)的模式結(jié)果后處理算法多個高度/氣壓層的模式變量第三部分后處理以及特征篩選梯度提升決策樹第四部分模式結(jié)果后處理風(fēng)速預(yù)報模式各個特征的重要程度基于時間序列相關(guān)性的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)報近地層風(fēng)速等重要特征WINDES技術(shù)路線衛(wèi)星資料 3DVar+WRF模式+常規(guī)觀 風(fēng)速預(yù)報測資料0-24h：0-24小時預(yù)報24-48h：24-48小時預(yù)報48-72h：48-72小時預(yù)報“WRF”：WRF預(yù)報結(jié)果；“ATTN”：Attention+LSTM結(jié)果；“LSTM”：LSTM結(jié)果；“MLP”：對照試驗結(jié)果不同省WRF風(fēng)速預(yù)報結(jié)果與LSTM、Attention+LSTM、BP神經(jīng)網(wǎng)絡(luò)的結(jié)果在測試集上的RMSE對比。三種方法相對于WRF結(jié)果都能減小RMSE。ATTN和LSTM的RMSE減小幅度較大。ATTN的效果最佳，在不同省的結(jié)果中，相對于WRF原始結(jié)果，RMSE減小幅度為30%-65%省（區(qū)、市）預(yù)報時間WRFATTNLSTMMLP省（區(qū)、市）預(yù)報時間WRFATTNLSTMMLP北京0-24h4.601.942.172.71遼寧0-24h2.641.681.882.1124-48h4.802.132.342.8724-48h2.961.842.102.2948-72h4.902.162.433.3348-72h3.202.012.272.55廣東0-24h3.081.681.922.77內(nèi)蒙古0-24h3.032.072.342.7024-48h3.311.842.062.8524-48h3.402.302.622.8148-72h3.511.942.132.9748-72h3.632.432.742.91海南0-24h3.031.661.862.48寧夏0-24h3.301.912.182.9424-48h3.221.761.952.5724-48h3.662.012.273.1448-72h3.451.842.052.7248-72h3.852.102.393.21河北0-24h3.371.721.963.04青海0-24h4.282.362.603.7724-48h3.671.862.103.1524-48h4.482.432.743.9448-72h3.852.022.233.3248-72h4.582.462.804.04河南0-24h2.781.651.792.42山西0-24h3.471.812.072.3924-48h3.261.842.032.6224-48h3.941.932.202.4948-72h3.391.912.182.8348-72h4.082.032.292.59黑龍江0-24h2.481.571.782.05陜西0-24h2.811.761.992.3424-48h2.761.701.922.1524-48h3.221.922.222.4348-72h2.951.792.052.2648-72h3.411.992.302.50湖北0-24h2.701.531.692.05上海0-24h2.421.331.441.9124-48h2.991.661.912.2124-48h2.831.451.491.9948-72h3.131.681.872.3048-72h3.171.511.772.22湖南0-24h2.761.571.782.30四川0-24h4.121.581.723.4924-48h3.131.791.902.4924-48h4.411.551.823.5948-72h3.111.822.052.6148-72h4.511.661.873.67江蘇0-24h2.511.461.621.96新疆0-24h4.122.703.003.4624-48h3.011.651.862.1624-48h4.522.853.153.6948-72h3.271.771.972.2948-72h4.642.893.293.74江西0-24h2.681.601.772.19云南0-24h4.021.912.083.2224-48h2.991.741.992.4024-48h4.052.002.193.3148-72h3.061.811.992.5248-72h4.072.092.323.39模式結(jié)果后處理4445面向某省電網(wǎng)的風(fēng)電場風(fēng)速預(yù)報滿足電網(wǎng)對發(fā)電量預(yù)報的要求；下載GFS全球模式預(yù)報產(chǎn)品的時間；下載衛(wèi)星遙感資料度的時間；10天+28小時預(yù)報的計算時間；初始場同化的計算時間；人工智能的計算時間；發(fā)布預(yù)報產(chǎn)品的時間；故障處理的時間。面向某省電網(wǎng)的風(fēng)電場風(fēng)速預(yù)報系統(tǒng)WINDESrmsewrf24h48h72hreferencen_trainn_test風(fēng)電場12.931.811.971.882.1627592814623.171.731.831.852.4022267664833.201.732.022.20nan28591857043.141.591.802.132.40146884416某省四個風(fēng)電場的72小時風(fēng)速預(yù)報均方根誤差風(fēng)速預(yù)報結(jié)果46風(fēng)速：m/s報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考衛(wèi)星數(shù)據(jù)插值邊緣平滑處理太陽高度角訂正WRFDA數(shù)據(jù)同化氣象探空資料電站地面觀測資料GFS大尺度預(yù)報數(shù)據(jù)全天空成像儀圖像資料去除污漬斑點(diǎn)圖像畸變調(diào)整圖像尺寸調(diào)整WRF-SOLAR模式預(yù)報

水平總輻射GHI空氣相對濕度地表溫度風(fēng)速/風(fēng)向云分?jǐn)?shù)地表氣壓

模式誤差訂正：卷積神經(jīng)網(wǎng)絡(luò)多層感知機(jī)長短期記憶網(wǎng)絡(luò)AERONETAOD觀測數(shù)據(jù)集衛(wèi)星數(shù)據(jù)變分訂正衛(wèi)星AOD數(shù)據(jù)集相對濕度訂正AOD時空分布短期預(yù)報未來1-10天GHI超短期預(yù)報未來1小時GHI輻射預(yù)報算法：卷積神經(jīng)網(wǎng)絡(luò)長短期記憶網(wǎng)絡(luò)數(shù)據(jù)收集晴空模型數(shù)據(jù)預(yù)處理模型運(yùn)行基于深度學(xué)習(xí)方法的太陽輻射預(yù)報系統(tǒng)（SOLARES，SOLARirradiancedEep-learning

System）WRF模式的網(wǎng)格以及參數(shù)設(shè)置網(wǎng)格d01d02d03水平分辨率27

km9

km3

km垂直層數(shù)414141云微物理方案ThompsonThompsonThompson長波輻射方案RRTMGRRTMGRRTMG短波輻射方案RRTMGRRTMGRRTMG陸面過程方案NoahNoahNoah積云對流方案Grell3DGrell3D無邊界層方案EtaTKE

schemeEtaTKE

schemeEtaTKE

schemeWRF模式模擬區(qū)域和嵌套網(wǎng)格設(shè)置地點(diǎn)：新疆五家渠光伏電站初始場數(shù)據(jù)：美國GFS全球預(yù)報數(shù)據(jù)預(yù)報時間：2020年1月-2022年12月采用的模式運(yùn)行設(shè)置在實際應(yīng)用中可以滿足電網(wǎng)對于時間的需求。太陽輻射短期預(yù)報太陽輻射短期預(yù)報輸入

1：

WRF_GHI輸入

2：WRF_T10輸入

3：太陽天頂角拼接長短期記憶網(wǎng)絡(luò)（LSTM）D03WRF_Cloud卷積卷積池化池化卷積神經(jīng)網(wǎng)絡(luò)框架多層感知機(jī)框架GHI預(yù)報全連接層+Sigmoid

激活區(qū)域輸入數(shù)據(jù)單點(diǎn)輸入數(shù)據(jù)……太陽輻射預(yù)報與風(fēng)速預(yù)報的區(qū)別：高度依賴云層的時空變化太陽輻射短期預(yù)報結(jié)果050100150200250300一月二月三月四月九月十月十一月十二月RMSE

(W/m2)五月持續(xù)性預(yù)報六月WRF

WRF+CNN七月 八月WRF+CNN+LSTM2020-2022

未來24小時預(yù)報均方根誤差太陽輻射超短期預(yù)報020040060080010006:008:2410:4813:1215:3618:0020:24GHI

(W/m2)020040060080010007:129:3612:0014:2416:4819:1221:36

Clearsky

GHIObservedGHIWRFforecastWRF+AI

ForecastSky-Image

ForecastWRF預(yù)報和WRF+人工智能訂正的方法擅長未來24小時至未來數(shù)天的預(yù)報，能預(yù)測未來天氣的大致趨勢。但在超短期預(yù)報中，這些方法容易忽視爬坡事件以及輻射的短暫波動準(zhǔn)確的現(xiàn)場觀測數(shù)據(jù)包括全天空成像儀圖像序列有助于改進(jìn)超短期預(yù)報效果。2021-07-18

未來一小時預(yù)報1200 1200數(shù)據(jù)獲取實驗地點(diǎn)：新疆五家渠44°24'23''N,87°39'22‘’

E全球水平輻照度（GHI）觀測:光伏電站內(nèi)觀測站每10分鐘一次天空圖像采集EKO

ASI-16每5分鐘一次數(shù)據(jù)預(yù)處理質(zhì)量控制和異常值過濾圖像大小調(diào)整與畸變調(diào)整數(shù)據(jù)分割：訓(xùn)練集、驗證集、測試集太陽輻射超短期預(yù)報太陽輻射超短期預(yù)報關(guān)鍵算法:

AARes

–

ConvLSTM注意力增強(qiáng)下的殘差網(wǎng)絡(luò)

（Attention-augmented

ResNet）卷積神經(jīng)網(wǎng)絡(luò)從天空圖像中提取云層空間特征。采用ResNet-18作為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，因為采用殘差計算可以平衡計算效率和梯度消失問題。通過注意力增強(qiáng)卷積網(wǎng)絡(luò)（AACN）增強(qiáng)ResNet-18，通過關(guān)注輸入中更重要的部分，克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的局限。卷積長短期記憶網(wǎng)絡(luò)（ConvLSTM）LSTM在保留長期依賴關(guān)系和解決傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)（RNN）中常見的梯度消失問題方面有優(yōu)勢，確保了序列圖像的高效處理。卷積LSTM是LSTM的演變，將卷積操作納入LSTM結(jié)構(gòu)中，有效捕獲二維圖像數(shù)據(jù)的時空依賴性。太陽輻射超短期預(yù)報模型比較1.Persistence

Model2.Basic

ANN3.StackedCNN(Fenget

al.

2022) 4.3DCNN(Fengetal.

2022)3DResNet(ResNetwithoutLSTM&

attention)ResNet-ConvLSTM(ResNet-ConvLSTMwithout

attention)AARes-ConvLSTM均方根誤差預(yù)報技巧報告內(nèi)容智能氣候預(yù)測的理念與案例基于機(jī)器學(xué)習(xí)方法的中國降水預(yù)測基于中尺度氣象同化預(yù)報和深度學(xué)習(xí)的風(fēng)速預(yù)報光伏電站太陽輻射超短期預(yù)報基于深度學(xué)習(xí)的北極地區(qū)格點(diǎn)化地表氣溫重建氣象人工智能未來發(fā)展思考已有研究表明：極地缺測對研究全球溫度變化存在明顯的影響重建一套覆蓋30°N以北的地表空氣溫度數(shù)據(jù)集北極地區(qū)相對于中緯度觀測十分有限數(shù)據(jù)最少的地方出現(xiàn)在格陵蘭島和北冰洋部分區(qū)域研究目的59北極缺測情況以及其所帶來的影響1850年至今HadCRUT5觀測覆蓋情況紅色線：基于DINEOF的重建黑色線：基于Kriging的重建Huangetal.(Nat.Clim.Change,

2017)Moriceetal.(J.Geophys.Res.:Atmos.,

2021)在北極地區(qū)仍存在不足：以上資料時間分辨率較低（月資料）未使用極地觀測或?qū)τ^測使用不充分全球格點(diǎn)溫度資料60基于器測觀測的全球溫度資料序號資料起止時間時間分辨率陸地氣溫資料海表面溫度參考文獻(xiàn)1HadCRUT51850-2020月CRUTEM5HadSST4Moriceetal.(J.Geophys.Res.:Atmos.,2021)2GISTEMPv41880-2020月GHCNv4ERSST

v5Lenssenetal.(J.Geophys.Res.:Atmos.,2019)3NOAAGlobalTemp-Interim1850-2020月GHCNv4ERSST

v5Voseetal.(Geophys.Res.Lett.,

2021)4Berkeley

Earth1850-2020月BerkeleyHadSST4RohdeandHausfather(EarthSyst.Sci.Data，2020)5Kadowet

al.1850-2020月CRUTEM5HadSST4Kadowetal.(Nat.Geosci.,

2020)6China-MST1856-2020月CLSATERSSTv5Sunetal.(Adv.Atmos.Sci.,

2021)7CowtanandWay1850-2020月CRUTEM4HadSST3CowtanandWay(Q.J.R.Meteorol.Soc.,2014)8Vaccaroet

al.1850-2020月CRUTEM4HadSST3Vaccaroetal.(J.Clim.,

2021)（IPCCAR6,

2021）當(dāng)前北極溫度資料仍存在不足：主要覆蓋海洋，而陸地較少覆蓋時間短，不能持續(xù)穩(wěn)定更新重建基礎(chǔ)資料誤差較大或時間分辨率較低重建結(jié)果在云覆蓋區(qū)域為缺測再分析數(shù)據(jù)非觀測資料衛(wèi)星數(shù)據(jù)非直接觀測2m溫度北極格點(diǎn)溫度資料61序號資料起止時間時間分辨率空間分辨率插值方法基礎(chǔ)資料1Martinand

Munoz(J.Clim.,

1997)1979-19936小時100km最優(yōu)插值北冰洋沿岸陸地臺站觀測，浮標(biāo)觀測，船舶觀測，NP2Rigoretal.(J.Clim.,

2000)1979-199712小時100km最優(yōu)插值NCAR陸地觀測、浮標(biāo)觀測、NP、NCEP3Huangetal.(Nat.Clim.Change,

2017)1900-2014年平均5°latx5°lonDINEOFNOAATemp、Rigor

etal.20004Doddetal.

(2019)1995-2012逐日1km基于衛(wèi)星觀測ATSR-2衛(wèi)星觀測、AATSR衛(wèi)星觀測等5Englystetal.

(2021)2000-2009逐日0.25°×0.25°基于衛(wèi)星觀測DMIEUSTACE、PROMICE站點(diǎn)觀測、浮標(biāo)觀測、AASTI衛(wèi)星數(shù)據(jù)基于器測觀測的北極溫度資料資料起止時間空間范圍格點(diǎn)大小Mesingeretal.(Bull.Amer.

Meteorol.Soc.,

2006)1979-2020MainlyinNorth

America32km,

L45Zhangetal.(J.Clim.,

2016)1979-2009Arcticmarginalice

zone10km,

L49Bromwichetal.(Q.J.R.Meteorol.Soc.,2016)2000-2012Mostofthe

Arctic30km,

L7115km,

L71Dahlgrenetal.(Q.J.R.Meteorol.Soc.,2016)1989-2010MainlyinEurope22km,

L60北極區(qū)域再分析資料深度學(xué)習(xí)方法的優(yōu)勢：模型從訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)出有用特征，減少插值過程中人為假設(shè)引入的誤差。模型訓(xùn)練完成后，參數(shù)固定，重建的結(jié)果較為穩(wěn)定，能夠?qū)崿F(xiàn)實時更新。重建結(jié)果可以考慮更遠(yuǎn)區(qū)域的觀測情況。北極溫度重建方法62資料所用方法不足HadCRUT5Gaussian

process假設(shè)高緯地區(qū)的溫度變化與中緯度地區(qū)的溫度變化一致GISTEMP

v4Distance

WeightedInterpolationCowtanandWay(Q.J.

R.Meteorol.Soc.,

2014)KrigingBerkeley

EarthMartinand

Munoz(J.Clim.,

1997)optimal

interpolationRigoretal.(J.Clim.,

2000)optimal

interpolationNOAAGlobalTemp-InterimEmpirical

OrthogonalTeleconnections重建高時間分辨率溫度如日資料不夠穩(wěn)定China-MSTHuangetal.(Nat.Clim.Change,

2017)DINEOFVaccaroetal.(J.Clim.,

2021)GaussianMarkov

randomfields在極地地區(qū)缺乏觀測約束Kadowetal.(Nat.Geosci.,

2020)Deep

Learning北極觀測數(shù)據(jù)63GHCN(GlobalHistoricalClimatology

Network)-Daily（1979-2021）NOAA全球陸地站點(diǎn)數(shù)據(jù)集最早的溫度記錄在1833年比利時，數(shù)據(jù)隨時間更新經(jīng)過質(zhì)量控制和訂正RussianNorthPoledriftstations（1979-1991&

2003-2012）來自AARI（Arctic

and

Antarctic

Research

Institute）的冰上的站點(diǎn)數(shù)據(jù)從1937年開始，一直到1991年結(jié)束；2003年后仍有數(shù)據(jù)。較為準(zhǔn)確的觀測數(shù)據(jù)3.Buoydata

（1979-2021）由IABP（International

Arctic

Buoy

Programme）進(jìn)行數(shù)據(jù)匯集浮標(biāo)首次部署于1979年，但溫度主要為了校準(zhǔn)氣壓計既有地表溫度觀測，也有2m溫度觀測（2011后）4.ICOADSR3.0

（1979-2021）提供1662年至今海洋觀測數(shù)據(jù)包括氣溫、海表面溫度、海表面氣壓等觀測數(shù)據(jù)經(jīng)過質(zhì)量控制，隨時間更新深度學(xué)習(xí)模型及重建流程64Liuetal.(ComputVisECCV,

2018)′x =sum(M)WT(X

M)sum(1)+

b,0,ifsum(M)>0otherwisem′

=1, ifsum(M)>

00, otherwise氣象場相鄰格點(diǎn)間溫度的聯(lián)系溫度場的空間分布特征觀測

質(zhì)量控制資料

訂正標(biāo)準(zhǔn)化融合模型訓(xùn)練資料訓(xùn)練模型訓(xùn)練驗證、調(diào)參測試溫度

重建驗證重建

重建輸出結(jié)果分析Wanget

al.(Cryosphere,2019)對比了ERA-Interim、ERA-5再分析數(shù)據(jù)在北極地區(qū)的表現(xiàn)。結(jié)果表明，在較冷時期，ERA-I效果較好，而在較暖時期ERA5效果更好。Jakobsonet

al.(Geophys.Res.Lett.,2012)對比了ERA-Interim、JCDAS、NCEP-CFSR、NCEP-DOE、NASA-MERRA再分析數(shù)據(jù)在北極地區(qū)的表現(xiàn)。結(jié)果表明：

ERA-I效果最好。Grahamet

al.(Geophys.Res.Lett.,

2019)對比了ERA5、ERA‐Interim、JRA‐55、CFSv2、

MERRA‐2再分析數(shù)據(jù)在北極地區(qū)的表現(xiàn)。結(jié)果表明：ERA5、ERA-I效果最好。訓(xùn)練數(shù)據(jù)選取65Lindsayet

al.(J.

Clim.,

2014)對比了NCEP-R1、NCEP-R2、CFSR、20CR、MERRA、ERA-Interim、JRA-25再分析數(shù)據(jù)在北極地區(qū)的表現(xiàn)。結(jié)果表明：

ERA-I效果最好。北極探空觀測數(shù)據(jù)Tara觀測數(shù)據(jù)浮標(biāo)觀測通過對比：ERA-interim和ERA5表現(xiàn)最好CRU陸地站點(diǎn)觀測數(shù)據(jù)集劃分及模型訓(xùn)練66訓(xùn)練相關(guān)batch_size：50；iterations

：6000損失函數(shù)：MSE為了增加泛化能力，溫度場和二進(jìn)制掩碼隨機(jī)匹配為了防止模型過擬合，每100次迭代保存模型參數(shù)并基于訓(xùn)練集和驗證集計算誤差，當(dāng)模型在訓(xùn)練集上的誤差不再下降或是在訓(xùn)練集上誤差下降但在驗證集上誤差上升則停止2005年（訓(xùn)練集）用于模型訓(xùn)練，2006-2012年（驗證集）用于調(diào)試模型參數(shù)以及初步評估模型的表現(xiàn)，2012年之后（測試集）的數(shù)據(jù)用于結(jié)果驗證。將所有數(shù)據(jù)放入等面積網(wǎng)格，利用ERA5再分析數(shù)據(jù)對所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。ModuleNameFilterSizeChannelsStridePaddingNonlinearityPConv11823ReLUPConv23622ReLUPConv37×75×55×57222ReLUUpSample1-72---Concat1-72+36---PConv43×33611LeakyReLUUpSample2-36---Concat2-36+18---PConv53×31811LeakyReLU兩套再分析數(shù)據(jù)（ERA5、ERA-Interim）1979-UpSample3-18---Concat3-18+3---PConv63×3311LeakyReLU基于“缺測的再分析數(shù)據(jù)”重建，得到的重建結(jié)果和再分析數(shù)據(jù)高度一致。2013-2018年期間，重建結(jié)果和再分析數(shù)據(jù)的相關(guān)系數(shù)為0.997。上述結(jié)果表明，模型能夠基于部分觀測數(shù)據(jù)重建較為合理的北極溫度。方法驗證67ERA5-obsRecon1ERA5ERAI-obsRecon2ERA-I2015-03-12a、d為觀測位置的再分析數(shù)據(jù)，b、e為基于a、d的模型重建結(jié)果，c、f為再分析數(shù)據(jù)。2015-07-20與觀測數(shù)據(jù)的對比682011-2018年，重建結(jié)果與6個預(yù)留的觀測站的相關(guān)系數(shù)分別為0.996、0.981、0.962、0.985、0.995和0.973，重建效果與兩套再分析數(shù)據(jù)相當(dāng)。均很接近觀測的原因可能是再分析數(shù)據(jù)已經(jīng)同化地面觀測。DatasetsObservationReconERA-5ERA-InterimrRMSErRMSErRMSELand-1(id

RSM00020891,2011-01~2018-12)0.9961.550.9941.790.9941.88Land-2(id

CA002100402,2011-01~2018-12)0.9813.910.9863.900.9833.68Land-3(id

USR0000ASNI,2011-01~2018-12)0.9622.660.9463.440.9353.50Land-4(id

USW00027401,2011-01~2018-12)0.9852.100.9852.430.9862.10Land-5(id

RSM00023975,2011-01~2018-12)0.9951.580.9971.350.9961.49Land-6(id

NOE00134886,2011-01~2018-12)0.9731.680.9691.730.9900.894與陸地觀測數(shù)據(jù)對比無論是RMSE還是相關(guān)系數(shù)，重建結(jié)果要優(yōu)于再分析數(shù)據(jù)。與觀測較為接近的原因可能是重建過程在北冰洋上考慮了浮標(biāo)數(shù)據(jù)。對比時間段為2011年前，結(jié)果表明即使在重建過程中加入浮標(biāo)地表溫度觀測，重建結(jié)果的準(zhǔn)確度仍有較大提升。與觀測數(shù)據(jù)的對比69DatasetsObservationReconERA-5ERA-InterimrRMSErRMSErRMSENP-32(2003-06~2004-03)0.9942.510.9855.800.9893.52NP-33(2004-09~2005-08)0.9862.460.9775.030.9794.15NP-34(2005-09~2006-05)0.9862.390.9633.830.9593.93與海洋觀測數(shù)據(jù)對比北極溫度變化趨勢70重建結(jié)果與三個廣泛使用的國際全球溫度數(shù)據(jù)集溫度變化較為一致。在2000-2021年間，重建結(jié)果比上述全球溫度數(shù)據(jù)更高。在上述數(shù)據(jù)集中，2016年和2020年分別是第一和第二溫暖的年份，比1981-2010年平均分別變暖了2.4℃和2.2℃。距平基于1981-20101979-2021北極年平均溫度變化趨勢1979-2021年期間，四個數(shù)據(jù)集幾乎在整個北極（≥60°N）都明顯變暖。重建結(jié)果、ERA5和Berkeley

Earth的結(jié)果均顯示北極變暖最強(qiáng)地區(qū)出現(xiàn)在巴倫支海-喀拉海附近，而NASA

GISTEMP雖然有相似的變暖特征，但變暖強(qiáng)度大大減弱重建結(jié)果在北冰洋中部到東西伯利亞海附近顯示出較強(qiáng)的變暖趨勢，但其他三套全球溫度產(chǎn)品在該地區(qū)沒有顯著變暖北極溫度變化趨勢711979-2021北極年平均溫度變化趨勢的空間分布(a)重建結(jié)果,

(b)ERA5,

(c)

NASA

GISTEMP

v4,(d)

Berkeley

Earth北極正處于加速變暖中，其年平均溫度變化速率從0.402℃/10a增加到0.792℃/10a，近20年北極的變暖速率是1979-2000年的1.97倍北極季節(jié)平均溫度變化除夏季外，其變暖強(qiáng)度均有大幅度提升，其中最明顯的為冬季，從早期的略微變冷（-0.044±0.017℃/10a）轉(zhuǎn)為較強(qiáng)的變暖（1.019±0.017

℃/10a）北極溫度變化趨勢72不同時間段北極溫升速率的對比時間尺度時間段年春季夏季秋季冬季1979-20000.402±0.0110.784±0.0170.307±0.0090.422±0.016-0.044±0.0172001-20210.792±0.0111.061±0.0180.211±0.0070.93±0.0131.019±0.017以上結(jié)果基于重建的1979-2021年北極溫度計算得到。單位：℃/10a北極放大效應(yīng)的估計73Linear

trendsRatiosoftheArcticto

NHRatiosoftheArctictoGL

(AA)ArcticNHGLOriginalReconOriginalReconRecon0.715±0.011Berkeley

Earth0.689±0.010.285±0.0030.190±0.0022.422.513.523.65GISTEMP0.626±0.010.