![](/__local/F/35/2C/7B98E16B7A81A60B368620B0B9F_0E1C5A79_B503.jpg)
“数值模式能彻底解决天气预报的问题吗?”3月25日下午,中国科学院院士、北京大学党委常委、副校长张平文,做客北洋数学讲堂。他以问为题,引出人工智能技术在当前天气预报中的应用。
![](/__local/8/90/25/1E3547AE7ED757CF6263C9ACA3E_1E656221_1A926.jpg)
张平文从模式的极限讲起,切入主题。数值模式是目前天气预报最主要的手段之一,由模型(即大气动力系统)和可计算建模模块构成。数值模式受可计算模型影响,初始场,边界条件,参数化方案等都会引入误差,混沌理论又导致数值模式很难进行长时间精准预报,因此数值模式的预报数据往往和实况观测存在系统性偏差。他以冬奥赛区温度预报、特殊场景天气预报为例,说明了数值模式在实际天气预报中存在的局限性。同时,解决天气预报问题也给数学带来很多新概念,例如混沌。
![](/__local/6/3F/61/A0F2291AD643A31ABC9E2FF95B0_8CD9D992_C182C.png)
在实际预报业务中,模式预报数据需要结合来自雷达、卫星、气象站、航空等途径的实况观测数据,通过专家参与的天气会商来确定预报结果。“我们的研究目标,就是利用算法将信息和数据融合,通过机器学习后处理代替天气会商,甚至超越天气会商。”张平文引出天气预报中不可或缺的环节——模式后处理。模式后处理机器学习算法的流程,包含对观测数据和模式数据进行特征工程处理,机器学习数据集,机器学习训练和预报,直到预报结果产生。基于服务2022年北京冬奥会的目的,他分享了大量对冬奥赛区站点温度、相对湿度、风速、风向进行预报的研究案例,显示出在温度预报上的显著优势。
最后他介绍了机器学习后处理与统计后处理的不同之处,以及弱机理和准确率的的取舍问题。机理有强弱之分。例如Navier-Stokes 方程、大气动力系统为强机理,能谱理论、湍流模型均是弱机理。天气预报的机理发展经历了由弱到强。从机器学习/深度学习中很难得到天气预报强机理,但机器学习能够从数据中归纳、总结出弱机理。机器学习后处理可以直接提高数值模式预报准确率,具有显著的优越性。
互动环节,张平文解答了人工智能对气候的预测、机器学习对经验参数的优化、社区天气预报与城市模型结合等具体问题。针对传统计算数学数值方法的优势、数据资源获取的建议等问题,张平文分享了他对于做学问和年轻学者研究规划的见解。他认为,做任何学问,选题很重要,而选题往往取决于个人目标和价值观。简洁与美是数学和物理共同的价值观,而做交叉研究解决实际问题也有“落地”的乐趣。
![](/__local/D/94/14/BD293327EA04420F1C851FCF07C_AE08C379_452F6.png)
想成为什么样的人就做什么样的学问,从一个人所做的研究也能反观研究者的好恶。张平文的报告流露出他对算法和数学之美的热爱,启发青年人在探寻数学之美和解决实际问题之间做出自己的选择。
文字|赵亚璁、田文义、谢满庭
图片|刘丽丽