日本海洋研究機(jī)構(gòu)和九州大學(xué)的研究小組利用人工智能深度學(xué)習(xí)技術(shù)，開發(fā)了從全球云系統(tǒng)分辨率模型(NICAM)氣候?qū)嶒?yàn)數(shù)據(jù)中高精度識(shí)別熱帶低氣壓征兆云的方法。該方法可識(shí)別出夏季西北太平洋熱帶低氣壓發(fā)生一周前的征兆。研究成果于近期發(fā)表在日本《地球與行星科學(xué)的進(jìn)展》雜志網(wǎng)絡(luò)版。
預(yù)測(cè)臺(tái)風(fēng)和颶風(fēng)等熱帶低氣壓的發(fā)生，一般是通過(guò)衛(wèi)星觀測(cè)和監(jiān)視云的演變過(guò)程，對(duì)觀測(cè)數(shù)據(jù)進(jìn)行氣象模型模擬。但大氣現(xiàn)象非線性極強(qiáng)，不同的氣象模型預(yù)測(cè)的未來(lái)氣象結(jié)果會(huì)出現(xiàn)非常大的偏差。近年來(lái)人工智能技術(shù)飛速發(fā)展，可根據(jù)大數(shù)據(jù)中的特定類型進(jìn)行深度學(xué)習(xí)，檢測(cè)特定現(xiàn)象，從而應(yīng)用于具有不確定性的氣象領(lǐng)域。
利用深度學(xué)習(xí)獲得更高的識(shí)別精度，對(duì)每一種氣象類型都需要超過(guò)數(shù)千張圖片的大量數(shù)據(jù)。研究小組首先利用熱帶低氣壓跟蹤算法，將全球云系統(tǒng)分辨率模型20年積累的氣候?qū)嶒?yàn)數(shù)據(jù)，制成5萬(wàn)張熱帶低氣壓初始云及演變中的熱帶低氣壓云圖片，再加上100萬(wàn)張未演變成熱帶低氣壓的低氣壓云圖片，共105萬(wàn)張圖片組成10組學(xué)習(xí)數(shù)據(jù)，利用深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)，生成不同特征的10種識(shí)別器，然后構(gòu)筑出可對(duì)10種識(shí)別器結(jié)果進(jìn)行綜合評(píng)價(jià)的集合識(shí)別器。
該方法還可對(duì)臺(tái)風(fēng)路徑和強(qiáng)度進(jìn)行預(yù)測(cè)，并預(yù)測(cè)暴雨的發(fā)生。今后研究小組將以深度學(xué)習(xí)為代表的人工智能技術(shù)融合數(shù)據(jù)驅(qū)動(dòng)方法和模型驅(qū)動(dòng)方法，開展新的海洋地球大數(shù)據(jù)分析。
（轉(zhuǎn)載）
