Page 146 - 计算机应用软件开发技术研究

计算机应用软件开发技术研究
Research on Computer Application Software Development Technology

5.中短期预报
机器学习仿真已被用于取代传统的次网格尺度的数值天气预报模型物理参数
化，如辐射传输、对流、微物理和超参数化等，在适当的情况下，基于物理学和

基于机器学习的技术的融合提供了直接而强大的途径来推动天气预报领域发展。
Tompson 等开展了融合方法的探讨，使用 CNN 加速了不可压缩 Naiver-Stokes 方
程的求解，以解决泊松方程在前进时间进一步的压力，这也是强制执行物理约
束的示例。疏杏胜等利用 ANN、ELM 以及 SVM 模型对桓仁水库流域未来 1~3 d

降雨进行多模式预报，提高了预测的精度。国防科技大学的陈睿提出了一种基于
深度学习的台风时空深度混合预测模型，在台风 24 h 形成预测实验中，最高准
确度达 85.2%，展现了机器学习在极端天气中短期预报中的强大能力。
6.预报后的处理和校正

机器学习可以很好地检测、评估和纠正基于物理模型的错误，使大尺度模型
的预报适应当地条件，并非线性地对预测集合进行平均。对于集成预报系统，机
器学习方法被认为是纠正偏差和传播的有力工具。Rasp 等将该技术应用于德国
的 2 m 温度集成预报，与标准线性回归技术相比获得了较好的改进。

（三）强对流天气识别预警
机器学习和数据挖掘方法通过将模型输出与观测值融合，从而在预测模型中
相关信息为预测者和用户提供额外的决策支持，目前已在强对流天气的监测预警
中广泛应用。

当前主流强对流天气监测预警方法大多基于相关物理变量，由专家先验知识
给出。Liu 等实现了基于卷积网络的强对流监测预警方法，尽管该方法对辅助强
对流检测提供了有效帮助，但该方法需要大量标注数据，而实际过程中，强对流
有多种不同表现形式，如飓风、气旋等，实现完全标记需要耗费大量人力物力财

力。为此，Racah 等提出基于半监督时空自动编码器的强对流检测方法，通过多
通道时空编码—解码器刻画数据特征，用于拟合多通道数据、时域变换数据以及
无标记数据的重构，实现判别式特征提取，从而实现强对流天气监测。路志英等
提出基于物理量参数和深度学习模型深度神经网络（DBN）的短时强降水天气

识别模型，核心是通过将含有高斯玻尔兹曼机的深度学习模型对大气监测站逐小
时加密的观测量，以及常用于天气预报分析的物理量等低层特征构造出抽象的高
层特征。刘新伟等基于 Light GBM 算法，利用甘肃 3 个地区的 C 波段雷达回波

·134·