Page 143 - 计算机应用软件开发技术研究

第四章 大数据与机器学习

归（Linear Regression）等。非监督学习算法常应用于关联规则的学习以及聚类
等，常见算法包括 k-Means，自动编码器（AE）等。在强化学习算法中输入数
据直接反馈到模型，模型必须对此立刻做出调整，常见的应用场景包括动态系统

以及机器人控制等，常见算法包括 Q-Learning 等。机器学习在地球科学中的应
用是近年地学研究的热点，Reichstein 等人给出了机器学习可以对应的典型地学
研究的应用场景，包括分类问题、融合问题、短临预测问题、时间序列建模问
题等。

本部分内容从气象观测、数值天气预报、强对流天气识别预警以及卫星资料
应用四个方面对机器学习的应用情况进行评述，最后对机器学习在气象领域的发
展进行展望。
（一）气象观测

1.常规地面观测
随着越来越多的智能手机具备测量大气压力、温湿度等环境参数的能力，
许多公司和个人开发了可收集智能手机压力和位置的 Android 应用程序，如
Cumulonimbus 公司开发的 Pressure-Net 应用程序，目前每小时在全球范围内收集

数以万计的地面压力观测值。美国国家强风暴实验室（NSSL）提供的“近地气
象现象识别”（mPING）网络可以让人们实时报告气象观测参数，其目标是将
市民、天气预报员和研究人员聚集在一起，实现气象观测的众包，最大限度地提
高观测的覆盖率。这些基于物联网（IOT）的气象探测手段极大提高气象观测在

空间上和时间上的精度与密度，但如何将不同物理特性的传感器测量数据进行融
合、校准，提升数据精度，实现业务化应用是一个关键，因此利用机器学习算法
对 IOT 数据进行训练和校正就是一个重点方向，Burton 和 Hu 等也提出了基于机
器学习的格点统计插值方法来对气象传感网数据进行融合处理。Madaus 等使用

中尺度预报模式对基于智能手机的区域压力测量结果进行了分析评估。Liu 等提
出了基于离散小波变换和后向传播神经网络（BPNN）相结合的数据修正模型，
离散小波变换算法负责将采集到的数据进行滤波，BPNN 被用来训练采集数据与
标准数据之间的关系。

2.天气现象图像观测
基于图像的天气现象识别分类核心在于高效准确的特征提取与表达，并构建
合理的分类器。Zhang 等构建了任意背景的多类天气图像数据库，提取局部特征

·131·