我国是暴雨频发国家,暴雨是我国最主要的气象灾害之一。近几十年来,虽然我国各项基础设施均有明显改善,但频发的暴雨灾害仍造成大量人员伤亡和财产损失。如,1998年夏季,由于持续强降雨天气,长江流域发生全流域大洪水,松花江、嫩江也发生百年不遇特大洪水,造成严重洪涝灾害(张玲和李泽椿,2003;孙淑清和周玉淑,2007),从而促使我国政府和气象部门不断加强对暴雨等灾害性天气的基础研究和应用研究。2005年6月18—25日,华南地区发生一次大范围、长时间暴雨过程,造成严重区域性洪涝、山体滑坡等灾害事件(廖胜石等,2007;尤红等,2007)。2007年7月18—19日,山东省出现大范围对流性暴雨过程,由于降水强度大、范围广、时间短,造成严重城市内涝和农作物受灾(杨晓霞等,2008)。2010年8月7日夜间,甘肃舟曲突降暴雨,40多分钟内降水量达97 mm,突破当地有气象记录以来极值,引发特大山洪和泥石流等地质灾害(曲晓波等,2010;赵玉春和崔春光,2010)。2012年7月21日,北京遭遇历史罕见大暴雨,11个气象站观测到的雨量突破其建站以来历史极值,部分地区日降水量达到甚至超过年平均降水量,北京出现严重城市内涝,部分中小河流和水库出现汛情(方翀等,2012;俞小鼎,2012;王婧羽等,2014)。2013年台风“菲特”使浙江、福建、江苏、上海等地出现狂风暴雨(许映龙等,2015;谢惠敏等,2016)。2016年夏季,我国长江流域发生多轮区域性强降水事件,同年7月19—20日,华北、黄淮地区迎来一次大范围极端强降水过程,均造成严重洪涝灾害(陈涛等,2017;符娇兰等,2017;袁媛等,2017;易笑园等,2018;张萍萍等,2018;赵思雄等,2018)。2017年5月7日,广州出现小时雨量超过180 mm的局地突发性极端强降水事件,导致严重城市内涝和经济损失(田付友等,2018;伍志方等,2018;傅佩玲等,2018;陈涛等,2019)。上述暴雨灾害已给人民生命财产带来重大损失,在和平时期由暴雨引发的一系列效应对国家安全造成了不可估量的影响(张海东等,2006)。中央气象台自成立以来,就将暴雨预报作为主要业务之一并持续发展至今,其业务和研究都是以满足国家需求为出发点,以改进预报效果、提供高质量气象保障服务为落脚点,给国防和国家经济发展提供完善的气象保障、给国家和相关部门进行科学决策提供强有力的科技支撑。在我国,中央气象台是天气预报的权威发布机构,经过多年发展,其暴雨预报水平取得长足进步,目前已基本能满足国家防灾减灾需求,并多次在重大暴雨灾害发生前做出准确预报、提出决策建议,为筑牢防灾减灾第一道防线发挥了重要作用,赢得了党中央、国务院各级领导的充分肯定与赞扬。
我国地处东亚季风区,暴雨是必然产物,且由于我国幅员辽阔,不同地区的地形、地貌及地质条件不同,暴雨产生的灾害也存在差异。与其他突发公共事件可以做到事前布控从而防患于未然不同,自然灾害尤其暴雨灾害每年都会发生,往往具有局地性和突发性,引发一系列次生灾害,其防控难度极大。因此,依靠已认识的大气科学规律做好天气气候预测尤为重要。同时,暴雨类型不同和服务对象不同,预报业务开展的方式也不尽不同,如连续性暴雨往往导致大范围洪涝事件,需事先做好大范围防汛准备;而突发性暴雨往往造成局地严重受灾,更需关注局地隐患点等。暴雨不仅给公众出行带来严重影响,还会引发山洪、泥石流等次生灾害对生态环境产生一定程度的破坏,也会对水库调度等水资源调配带来不利影响。“加强自然灾害防治关系国计民生”“要加强气象、洪涝、地质灾害监测预警”“防灾减灾、抗灾救灾是人类生存发展的永恒课题”的科学论断,无不显现国家对防灾减灾的迫切要求以及气象预报在其中的重要作用;同时,气象部门要积极响应国家需求,时刻坚守防灾减灾的第一道防线,以实际行动践行自身的责任与使命。因此,做好暴雨预报工作是关系国计民生的大事,提高暴雨预报准确率是提高国家防灾减灾能力的迫切需求。
1 暴雨预报方式的转变与发展目前,暴雨预报已逐步由传统方式向基于数值模式的现代方式转变并呈现快速发展之势。在数值预报产品出现的早期,暴雨预报主要依靠预报员基于天气学、统计学等简单方法进行定性统计和描述,依靠预报员在天气图分析的基础上进行主观式定性外推,对大气运动中受外界影响而产生的变化难以估计,时空分辨率较粗糙、准确率不高,且只能对固定站点进行预报,这是当时暴雨预报业务中最普遍的方法。近年来,随着科学技术高速发展,暴雨预报已经由传统的天气学主观分析预报逐渐演变为以数值天气预报为基础、预报员订正模式结果的客观定量化预报,且可以对任意格点进行高频次预报。随着各种常规和非常规精细化观测资料不断涌现、数值模式研究不断深入、计算能力不断增强、信息处理方式不断改进以及预报员经验不断累积等,使得研究各种类型暴雨天气的形成机制逐渐成为可能,气象人对引发暴雨的中尺度对流系统的结构和发生发展演变过程有了更深认识。近些年来,数值预报同化方案越来越完善、同化资料越来越丰富、模式分辨率越来越高、预报时效不断延长、预报准确率不断提升,为暴雨精细化预报提供了重要的科技支撑。由于我国地域辽阔、地形复杂,暴雨影响因子多样,各地各季各种类型的暴雨特点各异,数值预报结果往往会存在一定程度的系统性偏差。为了有效订正模式偏差,近几年中央气象台在暴雨客观统计预报方法上取得明显进步,研发出了集合融合预报、多模式集成、配料法强降水等级预报及模式频率匹配等暴雨客观预报产品(李泽椿等,2015)。客观预报产品较模式直接输出的降水预报准确率有所提高,但不同的客观预报产品其适用条件不同,这就要求预报员在实际业务中必须结合暴雨特点和具体检验结果,有针对性地选择其中一种或几种来使用。
近年来,随着大数据、人工智能等相关技术兴起,中央气象台积极探索并建立了月以内的智能网格预报业务体系,完善了突发灾害性天气落区监测预警和气象要素网格预报业务,研发出多尺度数值模式预报智能应用技术,建立了中短期全国气象要素和灾害性天气网格预报业务,发展了延伸期客观预报和概率预报技术以及气象要素智能网格预报技术,初步建成全球天气气候要素客观网格,从而形成无缝隙、一张“网”业务产品体系。同时,还将人工智能技术应用于强对流天气预报,其预报效果较之前明显提升。暴雨预报产品增强了对政府决策部门、各行各业以及人民群众生产生活的服务针对性,从而有效制订应对重大自然灾害的防御策略,提高了对暴雨及其次生灾害的防御能力。
2 天气预报员是暴雨科学问题的提出者和解决问题的第一参与者毋庸置疑,预报员是暴雨科学问题的提出者和解决问题的第一参与者。现代气象预报业务的发展方向日趋精准化和智能化,但预报员仍是满足国家防灾减灾和社会生产生活需要的预报服务执行者。预报员是承担天气预报业务、探索中国天气过程演变特征的主要力量,因此建设稳定的专业化、科学家型预报员队伍是促进暴雨预报业务发展的重要任务之一。预报员是天气预报业务一线人员,可在业务实践中总结提出暴雨预报基础性研究课题和相关科学问题,为科研人员提供研究方向。早期,资料相对匮乏,人们对于天气系统缺少系统性认识;随着观测资料逐渐增多,我国预报员和专业研究人员共同建立了华南前汛期暴雨、江淮梅雨、西南涡暴雨、东北冷涡暴雨、台风暴雨等类型暴雨概念模型,为我国暴雨预报业务提供了丰富的理论与实践依据。
目前,我国的大专院校、科研院所不乏具有应用价值的科技成果,但多数研究都因偏离业务需求,更重要的是缺乏应用平台,导致这些成果往往停留在论文层面,未能真正发挥以科技引领并驱动业务发展的作用(林建等,2016)。科研与业务不能很好结合已经明显影响到了气象事业的发展(张强和王强,2009)。作为气象科技创新成果的受体,气象业务单位尽管在气象现代化建设中结合业务需求做了大量技术研发工作,但仍面临预报例行任务繁重、自身科研力量不足、关键核心技术亟待突破的困境。如早在20纪90年代,武汉中心气象台的预报员运用周晓平研究员等开发的中国气象局武汉暴雨研究所的国内第一代暴雨模式,结合当地的预报经验对该模式进行了本地化工作,并对模式初值作了很好订正,对华中地区暴雨预报产生了极佳效果。再如,早期在华北地区首次建立的中尺度数值模式系统中对于模式网格距的选择也是根据北京预报员分析研究得出的影响该地区的中尺度对流系统的尺度来确定的,模式开发人员和预报员首次建立的中尺度预报模式在华北暴雨预报中发挥了重要作用,预报员的价值得到了充分体现。2013年在中国气象局的指导下,中央气象台联合多家高校和科研单位,建立科研与业务转换平台,逐步引入符合业务需求的研究成果,如高分辨率中尺度数值模式、雷达反演风场、卫星云图模拟等,部分科研成果已投入业务应用,为中尺度暴雨预报提供了良好的技术支撑,同时加深了预报员对引起暴雨的中小尺度天气系统发生发展演变过程的认识,从而提高了暴雨预报准确率。在业务实践中预报员还可对科研人员的科技成果进行实时检验,将评估结果反馈给科研人员以进一步改进成果的应用效果。
天气过程的综合分析是预报员提高对降水天气过程认识和理解的最重要手段,通过对不同区域、不同地形背景、不同季节和不同影响系统降水的诊断分析,可以帮助预报员深刻理解降水产生的物理机制,寻找相应的预报着眼点,提高分析、诊断和预报的能力及检验预报研究的正确性。目前的数值模式仍侧重于描述天气过程的普遍规律,缺乏对特殊过程如极端暴雨、局地突发性暴雨、复杂地形下强降水的反映能力。因此,预报员应加强对特殊个例的研究,在模式反映能力不足时充分发挥自身的主观能动作用。
预报员通过对预报实践中出现的暴雨过程进行分析研究,可以提出很多暴雨研究的科学问题。谌芸等(2012)和孙军等(2012)通过对北京“7·21”特大暴雨的实况诊断和极端性成因分析,首次提出在华南以外地区也存在暖区暴雨,并给出了华北暖区暴雨发生发展条件和极端强降水预报思路,为预报员认识和理解北方地区暖区暴雨形成原因、建立极端强降水预报思路提供了重要参考。宗志平等(2013)对初秋四川盆地两次西南涡暴雨过程的对比分析和预报检验发现,不稳定性、低空急流轴位置在判断初始对流启动位置上占有更加重要的地位,预报员的主观预报能在一定程李泽椿,等:中央气象台暴雨预报业务的发展及思考度上对数值模式作出订正,并提高对暖区对流性降水的预报能力。慕建利(2009)建立了没有低空急流的暴雨天气过程的概念模型。这些总结性研究成果往往是数值模式无法反映的,但却为暴雨预报提供了很好的理论依据。
经过多年探索,目前我国预报员团队已建立起了国家级-省级-地市级多级预报团队。国家级预报员面向全国范围的宏观式预报,必然无法面面俱到地照顾到每个地方预报的精细和准确程度,仍主要侧重于新技术新方法的开发和对下级的业务指导;省级预报员的区域式预报由于对当地的地形地貌、气候背景等有更深入的了解,且聚焦范围相对较小,在充分吸收新技术新方法的基础上,根据国家级指导预报并结合本地特征再进行相应调整,从而形成本地区时空分辨率更加精细的预报产品。地市级局地特殊式灾害天气预报服务则更具针对性。上述上下联动机制,十分有利于做好全国天气预报和服务工作。
3 具有中国特色的预报业务与服务工作预报与服务相结合是中国特色气象事业的重要内容,灾害天气预报应以服务人民、社会、经济发展和国家安全为最终目标。中央气象台不仅单纯做预报工作,预报服务也是其中更重要的工作,更多的是为政府组织开展自然灾害防御、突发事件应对、事故灾难救助以及重大活动保障提供气象保障服务,即预报工作从一开始就介入到应用需求层面,这是具有中国特色的预报与服务工作。
决策气象服务是指为党中央、国务院、各级政府及有关部门制定经济发展规划、指挥生产、组织防灾减灾、应对气候变化、合理开发利用资源、保护环境、加强军事与国防建设以及重大社会活动保障、重大工程建设等方面科学决策所提供的气象信息服务,是一项涉及社会稳定、经济发展和人民生命财产安全的全局性、综合性、前瞻性和高层次气象服务(薛建军等,2010)。决策气象服务的目的是在第一时间让党政领导和有关决策部门获得科学、准确、及时、有参考价值的气象信息。决策气象服务内容主要包括天气、气候和气候变化及其对农业、交通、能源等行业领域影响分析的专题性决策气象服务信息,也可以是针对某一类事件的综合评价。在2018年台风“山竹”、“温比亚”强降雨、金沙江堰塞湖等突发事件面前以及在青岛上合组织峰会等重大社会活动期间,准确及时的气象服务为防灾减灾决策提供了科学依据,保证了重大活动的顺利进行。
近年来,中央气象台立足天气监测与影响预报加强技术研发,提升了决策气象服务的支撑能力。这主要体现在:依托全媒体检索,突发事件实时监测和暴雨台风等灾害天气的常规监测能力得到大幅提升;基于Micaps4,降水、气温、大风等要素的自动监测产品和实况自动成文产品在日常业务中得到广泛应用;基于智能网格预报产品可快速生成所需的服务产品;暴雨、台风、高温等评估业务系统已稳定运行;整编气象观测数据、土地利用类型和单位人口密度等数据,形成了暴雨影响评估数据库,建立暴雨人口影响评估模型和暴雨灾害人口损失预估模型,在汛期气象服务中发挥重要作用。
未来,如何更加科学有效地为防灾减灾、应对气候变化服务,为促进经济社会发展和保障人民群众安全福祉服务,为保障国家粮食安全、能源安全、水资源安全、生态安全以及社会主义新农村建设服务,为应对突发公共事件服务,是气象服务发展面临的重大而紧迫的任务。中国特色的业务预报与服务工作,最重要的是紧密与国家社会需求相结合,为国家决策提供科学支撑。未来,要加强灾害天气风险预评估工作,提高气象服务的针对性、敏感性、综合性和实效性,为应对灾害天气提供重要支撑,充分发挥气象工作在党和政府工作中的重要作用,更好地为社会生产生活提供有力保障。
4 人工智能技术在暴雨预报中的应用在我国暴雨预报领域,人工智能(Artificial Intelli⁃ gence, AI)技术一直受到高度重视和开发应用。如20世纪80年代开展的预报专家系统研发(陈云峰等,2018),就包括了“暴雨短期预报专家系统”“长江中下游地区暴雨预报专家系统”等,在业务中发挥了重要支撑作用。近年来,随着大数据兴起,AI技术再次得到快速推进和广泛应用,成为研究的前沿热点。20世纪80年代以来,数值天气预报模式的预报准确率、时空分辨率得到稳步发展,已成为推动现代天气预报业务发展的重要基石(Bauer et al., 2015)。尽管如此,但由于大气初值的不确定性、数值模式的不完整性等,数值模式直接输出仍不能满足各种用户的更高需求,而基于AI的数据驱动方法为弥补这一差距提供了非常有效的工具。目前,AI在天气预报业务各个环节中都显示出应用潜力。例如:对地面自动站或人工观测、地基雷达观测、气象卫星观测等手段获取的数据进行质量控制(Katherine and Veillette, 2019)、分类等预处理等;用于数值模式同化的前处理或模式参数化方案中部分技术的替代,提高资料处理效率(Weyn et al., 2019);用于灾害性天气系统的监测识别,以及结合高分辨率快速更新同化数值模式进行灾害性天气临近预报(McGovern et al., 2017);结合模式后处理技术对温度、降水等气象要素进行订正或时空降尺度处理等(Thomas et al., 2017, Moghim and Bras, 2017)。
在中央气象台,通过近年来气象现代化建设,AI技术也在各业务部门和业务关键环节得到有效应用。与清华大学合作,Wang等(2017)发展了基于循环神经网络模型开发的雷达回波临近预报技术,采用了时空记忆单元、层次归一化、反卷积网络、数据增广等多项关键技术,其对降水外推效果的评分优于其余基准算法。此外,在灾害性天气预报预测方面,代刊等(2018)基于集合预报发展的最优百分位方法,对暴雨的预报显示出与预报员相当的预报能力;代刊等(2013)基于自组织神经网络算法研究了华北区域夏季天气气候学特征并用于典型降水过程的天气型识别预报;唐健等(2016)采用多模式QPF数据集构建、多模式QPF集成、QPF预报场调整和订正以及格点场后处理等多项技术支持预报平台的智能化,让预报员在理解天气的基础上进行海量数据挖掘,制作高精度QPF产品。
5 提高暴雨预报准确率的思考 5.1 预报员科学研究与实践能力的培养和提高 5.1.1 加强暴雨天气形成机制分析研究通过对气象卫星、多普勒天气雷达等现代化观测资料的分析,人们对暴雨发生发展机理和中尺度结构及演变规律有了更深刻的认识。中小尺度天气系统的发生发展演变很大程度上决定了暴雨的分布和强度,在中尺度对流系统结构、中尺度系统移动与传播等方面的研究对改进暴雨预报具有显著作用。过去几十年,通过野外科学试验获得了丰富的中尺度观测资料,利用这些资料,我国气象科学家在暴雨机理研究领域作出了令人瞩目的成就。如20世纪80—90年代,周秀骥主持的四个中尺度系统研究基地,对我国中尺度天气进行了系统性基础研究;倪允琪和张人禾等人主持的国家重大基础研究发展计划“我国南方致洪暴雨监测与预测的理论和方法研究”,通过对梅雨锋及其上的α中尺度、β中尺度为主体的中尺度暴雨结构及形成和演变机理的研究,在华南暴雨和长江中下游梅雨锋暴雨研究方面取得重要进展,形成了一批既有重要理论价值又有应用前景的研究成果;中国气象局武汉暴雨研究所自成立以来,围绕我国陆地暴雨,特别是江淮梅雨锋暴雨、锋前暖区暴雨和登陆台风暴雨进行了基础研究、应用研究和技术开发,形成以暴雨监测预警技术、中尺度暴雨机理、区域数值预报模式及关键技术、水文气象耦合关键技术等为代表的四大优势学科方向,取得一批具有较大应用价值的创新成果。我国各级预报员在长期的业务和科研实践中,特别是对疑难或预报失败个例的分析研究,对暴雨发生发展的机理进行了很好的验证和有益的补充。未来,需要继续加强对灾害性天气发生发展机理的研究,预报员在拥有深刻认识的基础上,要充分融合使用现代化多源观测资料、高分辨率数值模式、先进统计模型并结合预报员主观经验,进一步提高暴雨预报准确率。
5.1.2 深入研究典型个例并建立个例库天气过程的综合分析是预报员提高对降水天气过程认识和理解的最重要手段,通过对不同区域、不同季节、不同影响系统降水的诊断分析,有助预报员深刻理解降水产生的物理机制,寻找相应的预报着眼点,进而提高分析、诊断和预报能力。目前的数值模式对于极端暴雨、复杂地形强降雨的模拟能力还十分有限。因此,更应加强预报员对特殊个例的研究,建立暴雨历史个例库,从预报失败的强降水个例入手开展深入研究,总结出不同类型强降水形成的特殊条件和预报着眼点,使预报员通过自我学习和总结凝练预报难题并加以解决,对建立预报思路、逐步积累预报经验大有裨益。同时,应建立典型个例数据库,为人工智能技术应用准备基础资料;建立人文社会数据库,为灾害风险预警和决策气象服务提供数据支撑。
5.1.3 提高预报员综合素质预报员是开展天气预报业务、揭示中国天气演变规律的主要力量,建设稳定的专业化、科学家型预报员队伍是提高我国暴雨预报业务水平的重要任务之一。依托预报员团队,通过确定方向和目标,以课题等形式加强培训、交流和科研总结,提高预报员综合素质,合理规划人才梯队建设,建设一支较为稳定的预报员队伍,培养和造就掌握暴雨科学理论、精通暴雨预报业务的学科带头人。同时,预报员也不能只是埋头苦干,还要抬头寻找“高度”,具有战略思维,为国家战略工程服务。当前和今后一个时期,国家发展正面临着动力转换、方式转变、结构调整的繁重任务,社会发展面临保障人民生产生活和生命财产安全、消除气候变化加剧贫困等多方面挑战,生态文明建设面临日益严峻的全球气候变化和大气环境污染,解决这些问题无不需要依靠更好更多的气象服务提供有力保障。眼下,“一带一路”倡议、京津冀协同发展、长江经济带建设、军民融合等国家重大战略需求日益增长,也需要依靠更好更多的气象服务来保障。以此看来,李泽椿,等:中央气象台暴雨预报业务的发展及思考气象服务保障能力强不强,关键在于预报工作做得好不好。预报员恰恰是预报工作的主体,在做好具体预报工作时,还要重新审视自己,站在服务国家战略的高度和前沿,以更开阔的视野、更开放的思想、更宽广的胸怀去做预报,把预报服务效果发挥得更好。
5.2 加强多源观测资料的应用分析随着气象现代观测网逐步完善,卫星、雷达、闪电定位仪、风廓线仪、微波辐射计、GPS水汽等新型观测资料逐步被应用到气象业务体系,为加深对暴雨中小尺度特征的认识提供了可能。如卫星、雷达、闪电定位仪等对认识造成暴雨的中小尺度对流系统发生发展规律及其结构特征提供了最直接的手段。Maddox (1980)根据红外云图信息首先定义了中尺度对流复合体(MCC)。此后众多学者利用卫星资料研究了暴雨天气系统发生发展演变过程的特征(Miller and Fritsch, 1990;Mapes and Houze, 1993;Mecikalski and Bedka, 2006;Vila et al., 2008;Sieglaff et al., 2011;曾波等, 2013, 2015, 2016;覃丹宇和方宗义,2014;张夕迪和孙军,2018)。Parker和Johnson(2000)基于雷达资料对中纬度对流系统的组织结构进行了分析,基于层状回波与对流回波的相对位置将线状中尺度对流系统分为三类。这在以后的中尺度对流暴雨天气过程分析中得到了广泛应用。Roberts和Rutledge(2003)、Mecikalski等(2008)、许锐(2009)、刘京华等(2012)、徐慧(2013)、李五生等(2014)、潘留杰等(2015)利用雷达对对流初生进行监测研究,进一步揭示了中小尺度天气系统的演变特征。风廓线仪由于可获得时间分辨率较高的风廓线资料,可用来分析对强对流天气有重要作用的低空急流脉动和冷暖平流,从而增强了对极端降水的分析和预报能力,因此在全球范围内已广泛应用于对流性降水等中小尺度天气研究中(李晨光等,2003;王欣等,2005;吴志根和沈利峰,2010;刘梦娟和刘舜,2016;单楠等,2016;陈红玉等,2016;段宇辉等,2018)。地基微波辐射计因其可获得连续的温度、相对湿度、水汽及液态水等廓线,已成为分析大气水汽总量和云液态水总量的有力工具(刘朝顺等,2006;刘红燕等,2007;周珺等,2010;黄治勇等,2014;韩珏靖等, 2015, 丁虹鑫等,2018)。GPS可提供详细的三维水汽信息,在暴雨分析及预报中具有重要的指示意义(谷晓平等,2005;李国平,2011;张晶等,2014;万蓉等,2015;刘晶和杨莲梅,2017)。
新型非常规资料的获取,对认识中尺度暴雨结构及其环境条件提供了有利手段,对短时临近预报具有重要意义;因此,未来需要在业务预报及分析研究中加强对这些资料的应用,提高对中尺度对流系统结构及对流发生发展物理机制的认识与理解。
5.3 重点发展区域中尺度模式和集合预报技术数值预报是目前暴雨预报的基础和基本手段,未来数值预报技术的发展趋势是建立多尺度一体化模式,但在我国还应关注区域模式的发展和应用。随着模式分辨率提高,发展和改进格点尺度云预报方案已同改进积云对流参数化方案一样受到重视。一个较为完善的高分辨率模式可以帮助解释各类MCS的发展规律、形成机制及其结构的可能演变,从而弥补全球模式之不足,为暴雨预报尤其是极端暴雨预报提供参考(张大林,1998)。中尺度数值模式要取得进一步突破和发展,关键是能捕捉到中尺度系统真实的三维结构和演变过程,而这一过程极大依赖于准确的中尺度观测资料。因此,未来需要努力获取中尺度观测资料和大力发展探测技术,并对已取得的资料进行合理运用;另外,多种尺度资料融合、集成和同化也是发展中尺度模式必不可少的一环。多源观测资料融合通过资料同化改善模式初始场,进而提高数值模式预报准确率。Benjamin等(2004)利用三维变分同化技术将风廓线和天气雷达风场数据融合进RUC模式,从而提高了风场预报准确率;St-James和Laroche(2005)将美国NOAA风廓线雷达网数据融合进加拿大气象中心数值分析系统改善了6 h预报结果;杨艳蓉等(2004)阐述了天气雷达数据的四维变分融合方法;李华宏等(2007)利用GRAPES-Meso模式的三维变分同化系统对风廓线数据进行同化,改善了风场的初始场并提高了6 h降水预报准确率;杨丹丹等(2010)提出了两种雷达资料和数值模式融合技术,并表明该方法与雷达外推和数值模式预报结果相比均有所改进,融合后的结果与实况更接近;龙清怡等(2014)通过融合多普勒天气雷达资料与中尺度数值预报产品发展了一种便于临近预报业务使用的方法;阮征等(2017)利用风廓线雷达和天气雷达风场融合数据得到了丰富的高空中尺度水平风场信息。
由于大气可预报性与数值预报初始场不确定性的存在,限制了用传统的决定论制作确定性预报的预报技巧,而集合预报则为解决这一问题提供了新的途径。目前,集合预报产品已在天气预报业务中得到广泛应用,而一个好的集合预报系统一定是建立在好的数值模式基础上,只有当模式足够好,预报的不准确性主要源自初值误差时,集合预报才会有明显效果。所以,不断改进数值模式的质量对提高集合预报效用至关重要(杜钧,2002)。
5.4 提高对数值模式预报产品的订正能力我国暴雨地域特色明显,不同地区不同类型暴雨的可预报性明显不同,预报员只有更好地认识模式物理过程存在的问题和局限性,了解不同模式对不同类型暴雨可预报性的估计,才能在模式预报产品的基础上做出有效订正。在实际预报过程中,预报员需要对模式进行科学检验和评估,特别需要对降水落区和强度等系统性误差进行定量统计分析。符娇兰等(2014)检验西南地区2012年汛期5次典型强降水过程的模式降水预报发现,EC模式对西南地区大雨以上量级降水预报范围偏大,雨带偏西约1~3个经度。基于对模式降水预报误差的认识,中央气象台预报员对西南地区强降水落区预报有了明显改进。目前,基于空间检验技术对模式降水误差的定量化检验工作仍处于初级阶段,未来只有进一步分析不同区域、不同季节和不同环流背景产生的降水误差,包括其初始误差在暴雨不同发展阶段增长规律、预报误差分布特征及其可能原因等,只有加强对模式物理过程和预报性能的了解,建立数值模式历史和实时检验评估系统,建立模式修正系统,才能在模式基础上增加预报员的附加值。
5.5 加强人工智能等技术在天气预报中的应用尽管AI技术在我国气象业务上的应用已取得了一些成果、积累了一些经验,但仍存在不足之处,主要包括: AI技术应用集中在短时临近预报上,而对于天气预报业务的全链条(如数据质量控制、无缝隙网格化预报技术、多灾种天气预警能力、智能预报工具平台、产品制作及决策服务等)的支撑还远远不够;AI技术以应用开发为主,相关理论研究与面向业务需求的有针对性研发还不够深入。为进一步推进AI技术在业务流程中关键环节发挥重要作用,未来的工作重点包括: 1)加强新的更高级的AI技术理论研究与应用开发,目前大部分AI技术方法研发是以大气科学专业背景人员为主,未来则需要统计学、计算技术、大数据挖掘技术等专业背景的科学家加入,并积极与相关高校、科研院所合作;2)探究AI的“黑盒子”,实现AI技术训练的中间过程可视化,提高AI理论认识(Yosinski et al., 2015);3)目前有多种AI技术针对同一业务领域的研发工作(如雷达回波外推),这导致其研发工作重复低效,为此需要通过研究确定最佳方法作为“基准技术”;4) AI技术的产品输出质量受到输入数据质量的限制,为此需要加强对高质量、长序列气象训练数据集的研发,如提供长历史、统计特性一致的模式数据(如Reforecasts数据),整理开发高分辨观测和分析资料用于训练和检验;5)加强计算和数据资源的投入与支撑,如投入计算资源支持海量数据的挖掘和AI技术的业务运行,实现历史和实时数据统一管理,保障研发和业务应用得以便捷访问获取;6)积极推动研究成果向业务应用转换,包括建立开放性、众创的后处理支持基础架构,通过建立跨部门的团队来建设和维护通用AI算法软件、训练及测试数据、检验评估等,提高相关人员的研发水平。
5.6 暴雨预报业务平台建设要提高暴雨预报准确率,现代化预报业务系统不可或缺。现代观测系统不但能提供温压湿风等常规观测数据,还能提供大量的卫星、雷达等高时空分辨率数据,同时数值模式也向高分辨率和集合预报发展,用于天气分析的数据较过去大幅增加,这就需要业务预报系统后台应用实现高效数据管理,支持大数据应用,提高数据管理、数据备份、数据检索与应用效率。2016年,MICAPS4 (现代化人机交互气象信息处理和天气预报制作系统第4版本)在中央气象台正式业务化运行。相比MICAPS3,MICAPS4的各类资料传输、存储流程更趋完善,成功开发出了针对风廓线资料、GPS水汽等非常规观测资料的专用工具,高分辨率数值模式资料显示速度明显加快,同时开发出了多物理量综合剖面显示功能模块和以客观订正技术为基础的暴雨预报客观订正模块,增加了暴雨诊断分析和暴雨预报智能化综合判断工具,更智能化地支持预报员的实时业务应用,已成为实时预报业务中快速、高效、稳定的暴雨天气综合分析预报平台。
6 结语中央气象台自成立以来始终不忘初心,时刻坚守在防灾减灾第一道防线,赢得了党中央国务院充分肯定和赞扬。目前,暴雨预报依然是业务中的重点和难点。本文在充分肯定中央气象台在暴雨预报和防灾减灾中发挥重要作用的基础上,回顾了暴雨预报技术手段由传统方式向基于数值预报和人工智能转变的发展历程。通过中国天气影响系统的提出、天气分型的建立以及多级预报员协作体系,重点讨论了预报员在暴雨预报业务实践中发挥的重要作用。
需要高度重视并认真思考的是,在我国,预报始终与服务工作相结合,具有中国特色。事实上,通过决策气象服务使党中央、国务院、各级政府的自然灾害防御能力、突发事件应对能力、事故灾难救助能力均有了明显提升,这进一步说明了气象服务工作的重要性,也明确了暴雨等灾害天气预报必须以服务人民、社会、经济发展和国家安全为最终目标。未来,为了做好暴预报工作,还需要从以下几个方面狠下功夫:培养和提高预报员的科研能力、加强多源观测资料应用、发展区域中尺度模式和集合预报技术、提高李泽椿,等:中央气象台暴雨预报业务的发展及思考对数值模式预报的应用能力、加强人工智能技术在气象业务中的应用以及建设更具现代化智能化的预报业务平台。
谌芸, 孙军, 徐珺, 等. 2012. 北京721特大暴雨极端性分析及思考(一):观测分析及思考[J]. 气象, 38(10): 1255-1266. DOI:10.7519/j.issn.1000-0526.2012.10.012 |
陈红玉, 高月忠, 尹丽云, 等. 2016. 强降水过程风廓线雷达资料的极值特征[J]. 气象科技, 44(1): 87-94. DOI:10.3969/j.issn.1671-6345.2016.01.014 |
陈涛, 林建, 张芳华, 等. 2017. "16·7"华北极端强降水过程对流尺度集合模拟试验不确定性分析[J]. 气象, 43(5): 513-527. |
陈涛, 孙军, 谌芸, 等. 2019. 广州"5·7"局地突发特大暴雨过程的数值可预报性分析[J]. 气象, 45(9): 1199-1212. |
陈云峰. 2018. 20世纪80年代人工智能在天气预报中的应用[J]. 气象科技进展, 8(3): 88-91. DOI:10.3969/j.issn.2095-1973.2018.03.016 |
代刊, 金荣花, 胡婷. 2013. 基于自组织神经网络算法的华北区域夏季天气气候学特征[J]. 气象, 39(7): 801-812. |
代刊, 朱跃建, 毕宝贵. 2018. 集合模式定量降水预报的统计后处理技术研究综述[J]. 气象学报, 76(4): 493-510. |
杜钧. 2002. 集合预报的现状和前景[J]. 应用气象学报, 13(1): 16-28. DOI:10.3969/j.issn.1001-7313.2002.01.002 |
丁虹鑫, 马舒庆, 杨玲, 等. 2018. 云雷达和微波辐射计联合反演大气湿度廓线的初步研究[J]. 气象, 44(12): 1604-1611. DOI:10.7519/j.issn.10000526.2018.12.010 |
段宇辉, 孙云, 张南, 等. 2018. 应用多源观测资料分析华北一次极端暴雨过程[J]. 气象科技, 46(5): 965-970. |
方翀, 毛冬艳, 张小雯, 等. 2012. 2012年7月21日北京地区特大暴雨中尺度对流条件和特征初步分析[J]. 气象, 38(10): 1278-1287. DOI:10.7519/j.issn.1000-0526.2012.10.014 |
符娇兰, 宗志平, 代刊, 等. 2014. 一种定量降水预报误差检验技术及其应用[J]. 气象, 40(7): 796-805. |
符娇兰, 马学款, 陈涛, 等. 2017. "16·7"华北极端强降水特征及天气学成因分析[J]. 气象, 43(5): 528-539. |
傅佩玲, 胡东明, 张羽, 等. 2018. 2017年5月7日广州特大暴雨微物理特征及其触发维持机制分析[J]. 气象, 44(4): 500-510. |
谷晓平, 王长耀, 蒋国华. 2005. 地基GPS遥感大气水汽含量及在气象上的应用[J]. 气象科学, 25(5): 543. DOI:10.3969/j.issn.1009-0827.2005.05.014 |
黄治勇, 徐桂荣, 王晓芳, 等. 2014. 基于地基微波辐射计资料对咸宁两次冰雹天气的观测分析[J]. 气象, 40(2): 216-222. DOI:10.3969/j.issn.1674-7097.2014.02.010 |
韩珏靖, 陈飞, 张臻, 等. 2015. MP-3000A型地基微波辐射计的资料质量评估和探测特征分析[J]. 气象, 41(2): 226-233. DOI:10.3969/j.issn.1671-6345.2015.02.011 |
李晨光, 刘淑媛, 陶祖钰. 2003. 华南暴雨试验期间香港风廓线雷达资料的评估[J]. 热带气象学报, 19(3): 269-276. DOI:10.3969/j.issn.1004-4965.2003.03.006 |
李国平. 2011. 地基GPS水汽监测技术及气象业务化应用系统的研究[J]. 大气科学学报, 34(4): 385-392. DOI:10.3969/j.issn.1674-7097.2011.04.001 |
李华宏, 薛纪善, 王蔓, 等. 2007. 多普勒雷达风廓线的反演及变分同化试验[J]. 应用气象学报, 18(1): 50-57. DOI:10.3969/j.issn.1001-7313.2007.01.007 |
李泽椿, 谌芸, 张芳华, 等. 2015. 由河南"75·8"特大暴雨引发的思考[J]. 气象与环境科学, 38(3): 1-12. DOI:10.3969/j.issn.1673-7148.2015.03.001 |
李五生, 王洪庆, 王玉, 等. 2014. 基于卫星资料的对流初生预报及效果评估[J]. 北京大学学报(自然科学版), 50(5): 819-824. |
廖胜石, 罗建英, 蔡芗宁. 2007. 2005年6月华南致洪暴雨过程中FY-2C卫星TBB场分析[J]. 气象, 33(1): 81-86. DOI:10.3969/j.issn.1000-0526.2007.01.013 |
林建, 毕宝贵, 金荣花, 等. 2016. 论天气预报科研业务结合可持续发展机制[J]. 气象, 42(10): 1263-1270. DOI:10.7519/j.issn.1000-0526.2016.10.011 |
刘朝顺, 吕达仁, 杜秉玉. 2006. 地基遥感大气水汽总量和云液态水总量的研究[J]. 大气科学学报, 29(5): 606-612. DOI:10.3969/j.issn.1674-7097.2006.05.004 |
刘红燕, 李炬, 曹晓彦, 等. 2007. 遥感大气结构的地基12通道微波辐射计测量结果分析[J]. 遥感技术与应用, 22(2): 222-229. DOI:10.3969/j.issn.1004-0323.2007.02.020 |
刘京华, 王彬, 韩雷, 等. 2012. 京津地区一次强对流天气的初生预警技术研究[J]. 北京大学学报(自然科学版), 48(1): 42-46. |
刘梦娟, 刘舜. 2016. 上海组网风廓线雷达数据质量评估[J]. 气象, 42(8): 962-970. |
刘晶, 杨莲梅. 2017. 一次中亚低涡造成的天山北坡暴雨GPS大气水汽总量演变特征[J]. 气象, 43(6): 724-734. |
龙清怡, 刘海文, 顾建峰, 等. 2014. 雷达资料与中尺度数值预报的融合方法研究及其在临近预报中的应用[J]. 气象, 40(10): 1247-1258. DOI:10.7519/j.issn.1000-0526.2014.10.009 |
慕建利.2009.陕西关中强暴雨中尺度对流系统研究[D].南京: 南京信息工程大学
|
潘留杰, 张宏芳, 侯建忠, 等. 2015. 弱天气系统强迫下黄土高原强对流云的初生及演变[J]. 高原气象, 34(4): 982-990. |
曲晓波, 张涛, 刘鑫华, 等. 2010. 舟曲"8.8"特大山洪泥石流灾害气象成因分析[J]. 气象, 36(10): 102-105. DOI:10.7519/j.issn.1000-0526.2010.10.017 |
覃丹宇, 方宗义. 2014. 利用静止气象卫星监测初生对流的研究进展[J]. 气象, 40(1): 7-17. |
阮征, 高祝宇, 李丰, 等. 2017. 风廓线雷达与天气雷达风廓线数据的融合及应用[J]. 气象, 43(10): 1213-1223. DOI:10.7519/j.issn.10000526.2017.10.005 |
单楠, 何平, 吴蕾. 2016. 风廓线雷达反演温度平流的应用[J]. 应用气象学报, 27(3): 323-333. |
孙淑清, 周玉淑. 2007. 近年来我国暴雨中尺度动力分析研究进展[J]. 大气科学, 31(6): 1171-1188. DOI:10.3878/j.issn.1006-9895.2007.06.13 |
孙军, 谌芸, 杨舒楠, 等. 2012. 北京721特大暴雨极端性分析及思考(二):极端性降水成因初探及思考[J]. 气象, 38(10): 1267-1277. DOI:10.7519/j.issn.1000-0526.2012.10.013 |
唐健, 代刊, 宗志平, 等. 2018. 主客观融合定量降水预报方法及平台实现[J]. 气象, 44(8): 1020-1032. |
田付友, 郑永光, 张小玲, 等. 2018. 2017年5月7日广州极端强降水对流系统结构、触发和维持机制[J]. 气象, 44(4): 469-484. |
王欣, 卞林根, 彭浩, 等. 2005. 风廓线仪系统探测试验与应用[J]. 应用气象学报, 16(5): 693-698. DOI:10.3969/j.issn.1001-7313.2005.05.017 |
王婧羽, 崔春光, 王晓芳, 等. 2014. 2012年7月21日北京特大暴雨过程的水汽输送特征[J]. 气象, 40(2): 133-145. DOI:10.3969/j.issn.1671-1742.2014.02.004 |
吴志根, 沈立峰. 2010. 边界层风廓线仪应用中存在的若干问题[J]. 高原气象, 29(3): 801-809. |
万蓉, 付志康, 李武阶, 等. 2015. 地基GPS斜路径水汽反演技术及资料应用初探[J]. 气象, 41(4): 447-455. |
伍志方, 蔡景就, 林良勋, 等. 2018. 2017年广州"5·7"暖区特大暴雨的中尺度系统和可预报性[J]. 气象, 44(4): 485-499. |
谢惠敏, 任福民, 李国平, 等. 2016. 超强台风丹娜丝对1323号强台风菲特极端降水的作用[J]. 气象, 42(2): 156-165. DOI:10.3969/j.issn.1671-1742.2016.02.008 |
许锐, 2009.基于卫星数据的对流初生自动识别研究[D].青岛: 中国海洋大学
|
徐慧, 2013.基于Box-averaged方法的CI预警方法研究[D].青岛: 中国海洋大学
|
许映龙, 吕心艳, 张玲, 等. 2015. 1323号强台风菲特特点及预报难点分析[J]. 气象, 41(10): 1222-1231. DOI:10.7519/j.issn.1000-0526.2015.10.005 |
薛建军, 王维国, 王秀荣, 等. 2010. 决策气象服务回顾与展望[J]. 气象, 36(7): 69-74. |
杨艳蓉, 李柏, 张沛源. 2004. 多普勒雷达资料四维变分同化[J]. 应用气象学报, 15(1): 95-110. DOI:10.3969/j.issn.1001-7313.2004.01.012 |
杨晓霞, 王建国, 杨学斌, 等. 2008. 2007年7月18—19日山东省大暴雨天气分析[J]. 气象, 34(4): 61-70. DOI:10.7519/j.issn.1000-0526.2008.4.008 |
杨丹丹, 申双和, 邵玲玲, 等. 2010. 雷达资料和数值模式产品融合技术研究[J]. 气象, 36(8): 53-60. |
易笑园, 陈宏, 孙晓磊, 等. 2018. "7·20"气旋大暴雨中多尺度配置与MγCS发展的关系[J]. 气象, 44(7): 869-881. |
尤红, 姜丽萍, 彭端, 等. 2007. 2005年6月广东特大暴雨垂直螺旋度分析[J]. 气象, 33(4): 71-76. |
俞小鼎. 2012. 2012年7月21日北京特大暴雨成因分析[J]. 气象, 38(11): 1313-1329. DOI:10.7519/j.issn.1000-0526.2012.11.001 |
袁媛, 高辉, 柳艳菊. 2017. 2016年夏季我国东部降水异常特征及成因简析[J]. 气象, 43(1): 115-121. |
曾波, 谌芸, 肖天贵. 2013. 我国中东部地区夏季MCS统计分析[J]. 气象, 39(2): 180-185. |
曾波, 谌芸, 李泽椿. 2015. 我国中东部地区夏季中尺度对流系统形成前物理量诊断分析[J]. 地球物理学报, 58(1): 32-46. |
曾波, 谌芸, 李泽椿. 2016. 中国中东部地区夏季中尺度对流系统发生前环境场特征[J]. 高原气象, 35(2): 460-468. |
张大林. 1998. 各种非绝热物理过程在中尺度模式中的作用[J]. 大气科学, 22(4): 548-561. DOI:10.3878/j.issn.1006-9895.1998.04.16 |
张玲, 李泽椿. 2003. 1998年8月嫩江流域一次大暴雨的成因分析[J]. 气象, 29(8): 7-12. DOI:10.3969/j.issn.1000-0526.2003.08.002 |
张海东, 罗勇, 王邦中, 等. 2006. 气象灾害和气候变化对国家安全的影响[J]. 气候变化研究进展, 2(2): 85-88. DOI:10.3969/j.issn.1673-1719.2006.02.009 |
张强, 王强. 2009. 对如何加强气象科研与业务结合工作的思考[J]. 气象软科学, (1): 25-30. |
张晶, 顾松山, 楚志刚, 等. 2014. LAPS同化GPS/PWV资料在暴雨预报中的应用研究[J]. 气象, 40(1): 76-85. DOI:10.3969/j.issn.1007-6190.2014.01.018 |
张萍萍, 孙军, 车钦, 等. 2018. 2016年湖北梅汛期一次极端强降雨的气象因子异常特征分析[J]. 气象, 44(11): 1424-1433. |
张夕迪, 孙军. 2018. 葵花8号卫星在暴雨对流云团监测中的应用分析[J]. 气象, 44(10): 1245-1254. |
赵玉春, 崔春光. 2010. 2010年8月8日舟曲特大泥石流暴雨天气过程成因分析[J]. 暴雨灾害, 29(3): 289-295. DOI:10.3969/j.issn.1004-9045.2010.03.015 |
赵思雄, 孙建华, 鲁蓉, 等. 2018. "7·20"华北和北京大暴雨过程的分析[J]. 气象, 44(3): 351-360. |
周珺, 雷恒池, 陈洪斌, 等. 2010. 层析法微波辐射计遥感反演云液水含量的二维垂直分布[J]. 大气科学, 34(5): 1011-1025. DOI:10.3878/j.issn.1006-9895.2010.05.15 |
宗志平, 陈涛, 徐珺, 等. 2013. 2012年初秋四川盆地两次西南涡暴雨过程的对比分析与预报检验[J]. 气象, 39(5): 567-576. |
Bauer P, Thorpe A, Brunet G. 2015. The quiet revolution of numerical weather prediction[J]. Nature, 525: 47-55. DOI:10.1038/nature14956 |
Benjamin S G, Schwartz B E, Koch S E, et al. 2004. The Value of Wind Profiler Data in U.S.Weather Forecasting[J]. Bulletin of the American Meteorological Society, 85(12): 1871-1886. DOI:10.1175/BAMS-85-12-1871 |
Katherine A, Veillette M.2019.A deep learning-based correction to radar beam Blockage[EB/OL].https://ams.confex.com/ams/2019Annual/webprogram/Paper353412.html
|
Maddox R A. 1980. Mesoscale convective complexes[J]. Bull Amer Meteor Soc, 61: 1374-1387. DOI:10.1175/1520-0477(1980)061<1374:MCC>2.0.CO;2 |
Mapes B, Houze Jr R A. 1993. An integrated view of the 1987 Australin monsoon and its mesoscale convective systems.Ⅱ: Vertical structure[J]. Quarterly Journal of the Royal Meteorological Society, 119(512): 733-754. DOI:10.1256/smsqj.51413 |
McGovern A, Elmore K L, Gagne D J, et al. 2017. Using artificial intelligence to improvereal-timedecision-makingforhigh-impactweather[J]. Bull AmerMeteor Soc, 98: 2073-2090. DOI:10.1175/BAMS-D-16-0123.1 |
Mecikalski J R, Bedka K M. 2006. Forecasting Convective Initiation by Monitoring the Evolution of Moving Cumulus in Daytime GOES Imagery[J]. Monthly Weather Review, 134(1): 49-78. DOI:10.1175/MWR3062.1 |
Mecikalski J R, Bedka K M, Paech S J, et al. 2008. A Statistical Evaluation of GOES Cloud-Top Properties for Nowcasting Convective Initiation[J]. Monthly Weather Review, 136(12): 4899-4914. DOI:10.1175/2008MWR2352.1 |
Miller D, Fritsch J M. 1990. Mesoscale Convective Complexes in the Western Pacific Region[J]. Monthly Weather Review, 119(12): 2978-2992. |
Moghim, S, Bras R L. 2017. Bias correction of climate modeled temperature and precipitation using artificial neural networks[J]. J Hydrometeor, 18: 1867-1884. DOI:10.1175/JHM-D-16-0247.1 |
Parker M D, Johnson R H. 2000. Organizational modes of midlatitude mesoscale convective systems[J]. Monthly Weather Review, 128(10): 3413-3436. DOI:10.1175/1520-0493(2001)129<3413:OMOMMC>2.0.CO;2 |
Roberts R D, Rutledge S. 2003. Nowcasting Storm Initiation and Growth Using GOES-8 and WSR-88D Data[J]. Weather & Forecasting, 18(4): 562-584. |
St-James J S, Laroche S. 2005. Assimilation of Wind Profiler Data in the Canadian Meteorological Centre's Analysis Systems[J]. Journal of Atmospheric and Oceanic Technology, 22(8): 1181-1194. DOI:10.1175/JTECH1765.1 |
Sieglaff J M, Cronce L M, Feltz W F, et al. 2011. Nowcasting Convective Storm Initiation Using Satellite-Based Box-Averaged Cloud-Top Cooling and Cloud-Type Trends[J]. Journal of Applied Meteorology & Climatology, 50(1): 608-265. |
Thomas V, Evan K, Sangram G, et al.2017.DeepSD: generating high resolution climate change projections through single image super-resolution[C]//KDD'17 Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Pages: 1663-1672
|
Vila D A, Machado L A T, Laurent H, et al. 2008. Forecast and Tracking the Evolution of Cloud Clusters (ForTraCC) Using Satellite Infrared Imagery: Methodology and Validation[J]. Weather and Forecasting, 23(2): 233-245. DOI:10.1175/2007WAF2006121.1 |
Wang Y, Long M, Wang J, et al.2017.PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs[C]//Advances in Neural Information Processing Systems: 879-888
|
Weyn J A, Durran D R, Caruana R. 2019. Can machines learn to predict weather?Using deep learning to predict gridded 500-hPa geopotential height from historical weather data[J]. Journal of Advances in Modeling Earth Systems, 11. |
Yosinski J, Clune J, Nguyen A, et al.2015.Understanding neural networks through deep visualization[C].Computer Science
|