Page 150 - 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

辐射亮度，辅助变量包括太阳观测、云量和植被覆盖等。Vucetic 等应用集合神
经网络模型，在 0.47~2.1 μm 选择 ７ 个波长的 MODIS 辐射、太阳观测、散射
角度、云等作为输入参数来反演气溶胶光学。Kolios 等也利用 Meteosat 卫星图像

光谱中心分别为 8.7 μm、10.8 μm 和 12 μm 的通道的亮度温度进行了类似的尝
试，反演结果与地面实测结果有较好的一致性。另一个思路是建立包含气溶胶物
理特性的神经网络模型，Taylor 等将复杂折射率、单散射反照率、粒径分布等气
溶胶参数引入神经网络模型，发现该模型在撒哈拉地区表现良好。

（五）发展展望
从历史上看传统的气象科学领域属于物理建模范畴，与人工智能为两个不
同的领域，具有理论驱动与数据驱动两个截然不同的科学范式，然而两种方法实
际上是互补的。理论驱动方法原则上可以直接解释并提供超出观测条件的外推潜

力，而数据驱动方法在适应数据方面具有高度的灵活性并且易于发现不确定性问
题中的新模式。除此之外，机器学习在气象领域中的应用还存在如下挑战，可解
释性、物理一致性、数据的复杂与确定性、缺少标记样本以及计算需求。
从目前机器学习在气象领域各个方向的应用情况来看，具有以下显著优势：

第一，计算效率。机器学习模型通常比原始的基于物理方程的确定性模型快
几个数量级。第二，准确性。一旦有了具有代表性、精确性的大量训练数据集，
机器学习模型可以比传统的参数化过程更精确。第三，可移植性。其他相关领域
的机器方法的进展和成功可用于解决气象领域的类似问题。第四，协同作用。由

于每一种方法都存在不同的优缺点，机器学习和传统方法可以协同使用，通过实
现最佳的组合提高模型计算的结果，如提高模型分辨率、扩展预测范围、增加集
成规模等。第五，适用性。机器学习技术可以适用于多种情形，如变量没有包含
物理基础模型的情形、变量受到物理约束的情形（如守恒定律或平衡方程）、非

线性过程、非高斯观测误差的情形、对真正的物理过程知之甚少的经验数据的情
形。第六，易用性。现代机器学习技术与现代编码语言和机器学习框架相结合，
如基于 Python 的 Tensor Flow 和 Keras，使得当前的工具比以前的版本更强大、
更容易使用。

但我们也应该清醒地认识到理论与观测、假设生成与理论驱动、假设检验
之间的科学相互作用将继续存在，数据驱动的人工智能方法在气象科学研究中不
会取代物理建模，而是对物理建模强有力的补充和丰富，即研究物理和数据驱动

·138·