年夜雨淹失落我的家？景象形象学专家：AI可以帮忙预警 -

今年入汛以来，南方出现持续强降雨，多地受灾家园被淹，图源：新华社

30秒快读

1、长江中下游地区发生洪涝灾情，气象预测为什么如此困难？

2、AI的助力下，城市大脑是否可以帮助检测弱厄尔尼诺现象，以此来减弱强降雨天气带来的灾害。

3、《IT时报》专访南京信息工程大学气候与应用前沿研究院院长、国家特聘专家罗京佳教授，他说：“AI可以用来检测厄尔尼诺，但是......”

1961年，气象学家爱德华·劳伦兹用计算机模式模拟天气时，发现输入变量的微小变化，造成了大相径庭的结果。

尽管只有万分之一的差别，却彻底改变了计算结果。

劳伦兹愣住了，发出惊世一问：“一只蝴蝶在巴西的微微振翅，是否会掀起德克萨斯的一场飓风？”

这就是蝴蝶效应，并不是说有蝴蝶在引起飓风，而是微小的改变最终都会产生巨大影响。这反映出，天气预测极具难度，哪怕电脑或模式再先进，也很难准确预测几天后的天气。

今年入汛以来，我国南方出现持续强降雨，累计雨量大，覆盖范围广，长江中下游地区发生较重洪涝灾情。

与往年相比，今年南方为何降水量这么多、雨季这么长？AI等先进科技将在气候模式和发展气候预测系统发挥怎样的作用？目前不足之处有哪些？又该如何让这些先进研究成果充分落地到天气预报以及防洪当中？

就这些问题，《IT时报》记者采访了南京信息工程大学气候与应用前沿研究院院长、国家特聘专家罗京佳教授，他在《自然》、《科学》、《美国国家科学院院刊》等国际一流科学刊物发表学术论文百余篇。

南京信息工程大学气候与应用前沿研究院院长、国家特聘专家罗京佳教授，图源：南京信息工程大学

01

要重视对弱厄尔尼诺的预测

毋庸置疑，今年我国南方出现的持续性强降雨受到厄尔尼诺事件的影响。

厄尔尼诺指的是赤道中东太平洋海域海水大范围持续异常偏暖的现象。

厄尔尼诺现象，图源：网络

从历年统计来看，强厄尔尼诺事件发生的次年，湖北、江西等长江中下游地区的降水会偏多。

多年以前，罗京佳就对厄尔尼诺展开了研究，他从海气和中低纬相互作用角度，首次发现了南太平洋对厄尔尼诺年代际变化的重要影响，提出了ENSO准十年振荡的新机制。

借助自研的气候模式，2008年罗京佳首次将厄尔尼诺及其全球气候异常的预测提前到2年。

然而，今年的情况又有所不同。

“从2019年12月到今年春季，并没有发生很强的厄尔尼诺事件，海温异常主要发生在太平洋中部和西部，还很弱。通常情况下，大家不太关注这么弱的厄尔尼诺事件，认为对我国影响会比较小。”

罗京佳表示，尽管这次厄尔尼诺事件很弱，但印度洋和太平洋西部偏暖，会在热带印度洋到印度尼西亚一带产生比较强的对流，使得西太平洋地区副热带高压比往年强，有利于输送更多的水汽到长江中下游地区。

而副热带高压对我国东部降雨的影响非常大，是非常强的控制因素。

副热带高压常年存在，图为副热带高压对我国东部降雨影响，图源：网络

“从环流情况来看，从我国南海到海南、广东沿海一带，再到菲律宾东部，整个都是高压异常。西南气流会使更多的热带暖水汽，很容易输送到长江中下游，而长江中下游又是低气压异常，丰富的水汽辐合，就很容易在这个区域造成强降水。”

罗京佳指出，热带印度洋和西太平洋海温异常可以持续很长时间，因此水汽不停从热带传送到长江中下游，导致不断产生强暴雨。

“从今年的情况看，我们要重视对这种弱的热带海温异常信号的预测，了解它的原理、研究方法，提高对这种弱信号的预测技巧。比如利用人工智能的深度学习算法，进一步订正传统动力模式的预测结果偏差。”罗京佳说道。

02

AI帮助提升气象预测效率

AI预测降水量，图源：Google

借助AI的深度学习算法，人类可以“检测”厄尔尼诺。

罗京佳表示，利用卷积神经网络的自我学习能力，可以把大数据里所包含的复杂因果关系比较好地挖掘出来。

“比如，我们把全球海温等要素作为预测因子放到卷积神经网络里，让它自己去学习，可以建立一个比较好的预测模型。

通过这个模型，我们对厄尔尼诺的预测，实际上可以提前到一年半，达到80%的准确率。”

动力模式是预测气候的传统方法，它是一种利用数学物理方法，通过流体力学和热力学方程组，参数化模拟大气、海洋、陆面等中的过程，并考虑各过程本身的变化规律和相互之间的影响，以模拟出气候系统的整体状态。

传统的动力模式预测气候流程图，图源：来源：中国电机工程学会

“动力模式全球预测只有100公里的分辨率，意味着一个格点就是1万平方公里，覆盖范围太大。

因此，我们可以利用人工智能，将动力模式的结果偏差订正，再把它降到尺度很小的区域，就可以提供一个目标区域里面比较高精度的预测信息。

AI可以实现尺度很小的区域预测，图源：Google

通过两种方式结合，可以提供更精细化、更高准确度、更有用的预测信息，也许预测时效还可以提前得更长。”

罗京佳表示，气候预测如果用纯粹的动力模式来做，对计算资源要求很高，但如果用人工智能统计方法来做，基于已有的动力模式预测结果，再用现行的统计方法去对构建偏差订正和降尺度模型，一旦建立模型以后，计算资源的需求就较少。

03

动力模式发展缓慢的原因

对于很“吃”超算资源的动力模式，除了我们国家超算资源比较少之外，罗京佳认为还有两个突出问题需要关注。

“一个很大的问题是，我们国家超算的芯片结构跟国际上不兼容，所以很多数值模式不能直接用我国研发的芯片计算；

另一个问题是编译软件没有跟上，超算中心的软件库还没有跟上。

就像现在路上有几十辆赛车，但我们用不起来。”

图源：goodfreephotos

罗京佳表示：“这需要芯片设计的计算机人才，去帮我们研发相应的数值模式，从而和国产芯片、框架能够很好地结合起来，更好发展我们国家的数值模式。”

罗京佳同时认为，并行化计算也没有很好跑起来，同样需要国内超算研发机构去开发更好的软件库。

“有了软件支撑，我们能够把已有的数值模式放到国内框架里面进行超算运转、并行计算；

“神威·太湖之光”超级计算机，图源：中国国家网格

如今云计算中心也有很多，如果他们的芯片是通用框架的话，我们的数值模式可以有比较好的并行计算效果。”

04

将更精准气象信息塞入“城市大脑”

除了动力模式预测系统本身的发展以外，罗京佳还在做人工智能偏差订正和降尺度的研究，目标是对服务区域进一步提高分辨率。

罗京佳教授参加2019年汛期全国气候预测会商，图源：南京信息工程大学

“目前，我们全球模式的分辨率为100公里，东亚区域模式分辨率为30公里。

根据合作单位的需求，我们要进一步细化到5公里，相当于为25平方公里的区域做一个气候预测。

不仅能做1~24个月的气候预报，在同化大气的实测资料后，还可以做延伸期的预报，就是10~30天的预报。

也就是说，我们能做到全球范围的预测，也可以做到区域精细化的预测，从5公里甚至到1公里分辨率的气候预测信息。”

建立一个拥有较好预测技巧、从延伸期到季节、年际这种无缝隙的预测系统，是罗京佳团队的目标，这样能够更好地为相关部门提供比较好的预测信息以及更好的服务。

除了AI，5G也将助力气象预测。据了解，气象观测目前主要依靠地面观测台站、高空气球、卫星以及海洋轮船浮标等，观测密度比较有限。

探空气球，图源：中国气象局

“通过5G网络，我们可以同时将城市的降水、气温、风速甚至污染物含量等监测数据随时传输到一个综合机构，就会产生一个数据量非常大的精密气象数据，这样对城市内涝、小尺度超高分辨的极端事件研究和预测会有很大帮助。”罗京佳说。

随着新型智慧城市概念和城市精细化管理理念的提出，如今已有不少城市利用大数据、人工智能、物联网、5G等技术来构建起自己的“城市大脑”。

重庆气象局天资·灾害天气智能监测系统，图源：百度智能元

针对本次汛情，上海、南京、杭州等地的城市大脑已发挥数字化防汛、智慧防汛的功能，相信更精准的气象预测信息塞入更多的“城市大脑”后，我们应对极端天气的防灾减灾将更有卓效。

作者／IT时报记者 李玉洋 郝俊慧

编辑／挨踢妹

排版／黄建

图片／新华社、南京信息工程大学、中国电机工程学会、Google、中国气象局、中国国家网格、百度智能云、goodfreephotos、网络

来源／《IT时报》公众号vittimes

爱影视娱乐资讯