「前沿技术」将深度神经网络用于天气预报

---------- 获取更多信息，请关注我们----------

美国能源部阿贡国家实验室的研究人员使用深度神经网络替代了天气预报中部分物理过程模型，可以显著减少仿真时间。

天气和气候变化是大量因素相互作用的结果，为描述这些复杂关系，目前多使用参数化方法进行建模近似，能够简化物理过程、在合理时间内产生相对准确的结果，但其所需计算量很大。研究人员提出使用深度神经网络替代天气模型中的部分物理过程模型。以行星边界层模型（高1~2 km的大气层）为例，输入参数包括地表2 m的水蒸气和空气温度、10 m的纬向和经向风速、地面热通量、入射短波辐射、入射长波辐射、边界层高度、显热通量、潜热通量、表面摩擦速度、地面温度、地下2 m土壤温度、地下0~0.3 cm的土壤湿度、700 hPa的地转风分量，输入结果为温度、水蒸气混合比、纬向和经向风速方向、垂直风速。研究人员先用1984年-2003年的3小时间隔天气预报气候模型生成的数据来训练深度神经网络，再用2004年数据调整算法的超参数，最后用2005年数据进行评估。结果表明，这种方法仅依靠一个计算节点就成功模拟了整个昼夜内的风度、大气温度、水蒸气的垂直分部，还可以高于90%的准确度模拟类似地理位置的其他地区天气情况。

这项研究验证了以深度神经网络替代天气预报模型中部分物理模型的可行性，计算量小，有望用于提高关键地区的天气预报能力。

（蓝海星）