深度学习在天气预报领域的应用分析及研究进展综述

doi:10.11772/j.issn.1001-9081.2022050745

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1958-1968.DOI: 10.11772/j.issn.1001-9081.2022050745

所属专题：前沿与综合应用；综述

深度学习在天气预报领域的应用分析及研究进展综述

董润婷¹, 吴利¹(), 王晓英¹, 曹腾飞¹, 黄建强¹, 管琴², 吴洁瑕³

^1.青海大学计算机技术与应用系，西宁 810016
^2.青海省气象台，西宁 811300
^3.北京弘象科技有限公司，北京 100195

收稿日期:2022-05-24 修回日期:2022-09-07 接受日期:2022-09-12 发布日期:2023-06-08 出版日期:2023-06-10
通讯作者: 吴利
作者简介:董润婷（1998—），女，河南郑州人，硕士研究生，主要研究方向：人工智能
吴利（1992—），女，安徽铜陵人，助教，硕士，主要研究方向：人工智能、高性能计算Email：wuli_qhu@163.com
王晓英（1982—），女，吉林大安人，教授，博士，主要研究方向：智能电网、高性能计算、体系结构
曹腾飞（1987—），男，湖北钟祥人，副教授，博士，主要研究方向：智能网络优化、网络攻防
黄建强（1985—），男，陕西西安人，副教授，博士，主要研究方向：高性能计算、大数据处理
管琴（1974—），女，江苏如皋人，正高级工程师，硕士，主要研究方向：高原灾害性天气机理研究与预报
吴洁瑕（1986—），女，浙江杭州人，博士，主要研究方向：气象数值预报。
基金资助:
国家自然科学基金资助项目(62162053);清华大学-宁夏银川水联网数字治水联合研究院横向课题(SKL-IOW-2020TC2004-01);青海省自然科学基金资助项目(2020-ZJ-943Q);青海省科技厅应用基础研究项目(2022-ZJ-701)

Review of application analysis and research progress of deep learning in weather forecasting

Runting DONG¹, Li WU¹(), Xiaoying WANG¹, Tengfei CAO¹, Jianqiang HUANG¹, Qin GUAN², Jiexia WU³

^1.Department of Computer Technologies and Applications，Qinghai University，Xining Qinghai 810016，China
^2.Qinghai Meteorological Observatory，Xining Qinghai 811300，China
^3.Beijing PRESKY Technology Company Limited，Beijing 100195，China

Received:2022-05-24 Revised:2022-09-07 Accepted:2022-09-12 Online:2023-06-08 Published:2023-06-10
Contact: Li WU
About author:DONG Runting， born in 1998， M. S. candidate. Her research interests include artificial intelligence.
WANG Xiaoying， born in 1982， Ph. D.， professor. Her research interests include smart grid， high performance computing， computer architecture.
CAO Tengfei， born in 1987， Ph. D.， associate professor. His research interests include intelligent network optimization， network attack and defense.
HUANG Jianqiang， born in 1985， Ph. D.， associate professor. His research interests include high performance computing， big data processing.
GUAN Qin， born in 1974， M. S.， professorate senior engineer. Her research interests include plateau severe weather mechanism research and forecast.
WU Jiexia， born in 1986， Ph. D. Her research interests include numerical weather prediction.
Supported by:
National Natural Science Foundation of China(62162053);Horizontal Project of Tsinghua University-Ningxia Yinchuan Digital Water Governance Joint Research Institute(SKL-IOW-2020TC2004-01);Natural Science Foundation of Qinghai Province(2020-ZJ-943Q);Application Basic Research Project of Science and Technology Department of Qinghai Province(2022-ZJ-701)

摘要/Abstract

摘要：

随着传感器网络和全球定位系统等技术的进步，兼有时间与空间特性的气象数据体量呈爆炸式增长，针对时空序列预测（STSF）的深度学习模型研究得到了迅猛发展。然而，长期以来用于天气预报的传统机器学习方法在提取数据的时间相关性与空间依赖性方面的效果往往并不理想。与此同时，深度学习方法通过人工神经网络自动提取特征，可以有效提高天气预报的准确度，并且在编码长期空间信息的建模方面有相当优秀的效果。同时，由观测数据驱动的深度学习模型与基于物理理论的数值天气预报（NWP）模型结合的方式可以构建拥有更高预测精度与更长预报时间的混合模型。基于这些，将深度学习在天气预报领域的应用分析及研究进展进行了综述。首先，将天气预报领域的深度学习问题与经典深度学习问题从数据格式、问题模型与评价指标这3个方面进行了对比研究；然后，回顾了深度学习在天气预报领域的发展历程与应用现状，并总结分析了深度学习技术与NWP结合的最新进展；最后，展望了未来的发展方向和研究重点，为天气预报领域的深度学习研究提供参考。

关键词: 深度学习, 天气预报, 时空序列预测, 数值天气预报

Abstract:

With the advancement of technologies such as sensor networks and global positioning systems， the volume of meteorological data with both temporal and spatial characteristics has exploded， and the research on deep learning models for Spatiotemporal Sequence Forecasting （STSF） has developed rapidly. However， the traditional machine learning methods applied to weather forecasting for a long time have unsatisfactory effects in extracting the temporal correlations and spatial dependences of data， while the deep learning methods can extract features automatically through artificial neural networks to improve the accuracy of weather forecasting effectively， and have a very good effect in encoding long-term spatial information modeling. At the same time， the deep learning models driven by observational data and Numerical Weather Prediction （NWP） models based on physical theories are combined to build hybrid models with higher prediction accuracy and longer prediction time. Based on these， the application analysis and research progress of deep learning in the field of weather forecasting were reviewed. Firstly， the deep learning problems in the field of weather forecasting and the classical deep learning problems were compared and studied from three aspects： data format， problem model and evaluation metrics. Then， the development history and application status of deep learning in the field of weather forecasting were looked back， and the latest progress in combining deep learning technologies with NWP was summarized and analyzed. Finally， the future development directions and research focuses were prospected to provide a certain reference for future deep learning research in the field of weather forecasting.

Key words: deep learning, weather forecast, SpatioTemporal Sequence Forecasting (STSF), Numerical Weather Prediction (NWP)

中图分类号:

TP181

董润婷, 吴利, 王晓英, 曹腾飞, 黄建强, 管琴, 吴洁瑕. 深度学习在天气预报领域的应用分析及研究进展综述[J]. 计算机应用, 2023, 43(6): 1958-1968.

Runting DONG, Li WU, Xiaoying WANG, Tengfei CAO, Jianqiang HUANG, Qin GUAN, Jiexia WU. Review of application analysis and research progress of deep learning in weather forecasting[J]. Journal of Computer Applications, 2023, 43(6): 1958-1968.

图/表 8

图1 时空序列预测问题的深度学习模型发展流程

Fig. 1 Development flow of deep learning model for spatiotemporal sequence forecasting problem

图2 融合时空信息与注意力机制的深度学习模型

Fig. 2 Deep learning model integrating spatiotemporal information and attention mechanism

表1 气象领域的混淆矩阵

Tab. 1 Confusion matrix in meteorological field

真实

类别

Correct_negatives（正确负样本）

表2 气象分类问题的评估指标

Tab. 2 Evaluation metrics for meteorological classification problems

指标	公式原理	评估标准
关键成功指数	$V C S I = H i t s H i t s + M i s s e s + F a l s e_a l a r m s$	结果越大越好
误警率	$V F A R = F a l s e_a l a r m s H i t s + F a l s e_a l a r m s$	结果越小越好
检测率	$V P O D = H i t s H i t s + M i s s e s$	结果越大越好

表2 气象分类问题的评估指标

Tab. 2 Evaluation metrics for meteorological classification problems

指标	公式原理	评估标准
关键成功指数	$V C S I = H i t s H i t s + M i s s e s + F a l s e_a l a r m s$	结果越大越好
误警率	$V F A R = F a l s e_a l a r m s H i t s + F a l s e_a l a r m s$	结果越小越好
检测率	$V P O D = H i t s H i t s + M i s s e s$	结果越大越好

表3 气象回归问题的评估指标

Tab. 3 Evaluation metrics for meteorological regression problems

指标	公式原理	评估标准
均方误差	$V M S E = 1 n ∑ i = 1 n (y ̂ i - y i) 2$	RMSE的开平方计算，使结果在数量级上比MSE更直观
均方根误差	$V R M S E = 1 n ∑ i = 1 n (y ̂ i - y i) 2$	RMSE的开平方计算，使结果在数量级上比MSE更直观
平均绝对误差	V $M A E = 1 n ∑ i = 1 n y ̂ i - y i$	MAE的评估对象是误差，MAPE评估的则是误差与真实值的百分比
平均绝对百分比误差	$V M A P E = 100 % n ∑ i = 1 n y ̂ i - y i y i$	MAE的评估对象是误差，MAPE评估的则是误差与真实值的百分比

表3 气象回归问题的评估指标

Tab. 3 Evaluation metrics for meteorological regression problems

指标	公式原理	评估标准
均方误差	$V M S E = 1 n ∑ i = 1 n (y ̂ i - y i) 2$	RMSE的开平方计算，使结果在数量级上比MSE更直观
均方根误差	$V R M S E = 1 n ∑ i = 1 n (y ̂ i - y i) 2$	RMSE的开平方计算，使结果在数量级上比MSE更直观
平均绝对误差	V $M A E = 1 n ∑ i = 1 n y ̂ i - y i$	MAE的评估对象是误差，MAPE评估的则是误差与真实值的百分比
平均绝对百分比误差	$V M A P E = 100 % n ∑ i = 1 n y ̂ i - y i y i$	MAE的评估对象是误差，MAPE评估的则是误差与真实值的百分比

图3 IoU示意图

Fig. 3 Schematic diagram of IoU

表4 天气预报问题和对应评价指标

Tab. 4 Weather forecasting problems and corresponding evaluation metrics

天气预报问题	深度学习模型	评价指标
冰雹、雷电、台风检测	LightGBM，CNN	FAR，POD
热带/温带气旋、热带低压等极端天气的多类检测和定位识别	CNN，LSTM	MAE，POD，FAR，IoU
风速风向预测	LSTM-CNN，E-STAN-MLP	RMSE，MAE
降水量、温度预测	3D-CNN+LSTM，LSTM+U-Net，ConvGRU	RMSE，MAE
天气现象分类（晴、雨、雪）	CNN，CNN-LSTM，AlexNet	CSI，FAR，POD
降水临近预报	ConvLSTM，PredRNN	CSI，FAR，POD

图4 NWP与深度学习结合的天气预测

Fig.4 NWP combined with deep learning for weather forecasting

参考文献 98

1	ATLURI G， KARPATNE A， KUMAR V. Spatio-temporal data mining： a survey of problems and methods ［J］. ACM Computing Surveys， 2018， 51（4）： No.83. 10.1145/3161602
2	REICHSTEIN M， CAMPS-VALLS G， STEVENS B， et al. Deep learning and process understanding for data-driven Earth system science ［J］. Nature， 2019， 566（7743）： 195-204. 10.1038/s41586-019-0912-1
3	谢莒芃，张华军，黄双，等. 基于残差U型卷积网络的海面风速多步时空预测［J/OL］. 控制与决策（2022-04-05）［2022-05-20］..
	XIE J F， ZHANG H J， HUANG S， et al. Multi-step sea surface wind speed spatio-temporal prediction based on residual UNet ［J/OL］. Control and Decision （2022-04-05）［2022-05-20］..
4	CASELLAS E， BECH J， VECIANA R， et al. Nowcasting the precipitation phase combining weather radar data， surface observations， and NWP model forecasts ［J］. Quarterly Journal of the Royal Meteorological Society， 2021， 147（739）： 3135-3153. 10.1002/qj.4121
5	LAGERQUIST R， McGOVERN A， HOMEYER C R， et al. Deep learning on three-dimensional multiscale data for next-hour tornado prediction ［J］. Monthly Weather Review， 2020， 148（7）： 2837-2861. 10.1175/mwr-d-19-0372.1
6	周康辉，郑永光，韩雷，等. 机器学习在强对流监测预报中的应用进展［J］. 气象， 2021， 47（3）：274-289. 10.7519/j.issn.1000-0526.2021.03.002
	ZHOU K H， ZHENG Y G， HAN L， et al. Advances in application of machine learning to severe convective weather monitoring and forecasting［J］. Meteorological Monthly， 2021， 47（3）： 274-289. 10.7519/j.issn.1000-0526.2021.03.002
7	陈思玮，贾克斌，王聪聪，等. 深度学习在多天气分类算法中的研究与应用［J］. 高技术通讯， 2020， 30（10）：1010-1017. 10.3772/j.issn.1002-0470.2020.10.003
	CHEN S W， JIA K B， WANG C C， et al. Research and application of deep learning in multi-weather classification algorithms ［J］. Chinese High Technology Letters， 2020， 30（10）：1010-1017. 10.3772/j.issn.1002-0470.2020.10.003
8	ZHANG Z C， LIN X， LI M， et al. A customized deep learning approach to integrate network-scale online traffic data imputation and prediction［J］. Transportation Research Part C： Emerging Technologies， 2021， 132： No.103372. 10.1016/j.trc.2021.103372
9	XU L， CHEN N， CHEN Z， et al. Spatiotemporal forecasting in earth system science： methods， uncertainties， predictability and future directions ［J］. Earth-Science Reviews， 2021， 222： 103828. 10.1016/j.earscirev.2021.103828
10	AGAPIOU A. Remote sensing heritage in a petabyte-scale： satellite data and heritage Earth Engine© applications［J］. International Journal of Digital Earth， 2017， 10（1）： 85-102. 10.1080/17538947.2016.1250829
11	YUAN Q Q， SHEN H F， LI T W， et al. Deep learning in environmental remote sensing： achievements and challenges ［J］. Remote Sensing of Environment， 2020， 241： No.111716. 10.1016/j.rse.2020.111716
12	ZHENG C， FAN X， WANG C， et al. GMAN： a graph multi-attention network for traffic prediction［C］// Proceedings of the AAAI Conference on Artificial Intelligence. 2020， 34： 1234-1241. 10.1609/aaai.v34i01.5477
13	WANG Y， ZHANG D X， LIU Y， et al. Enhancing transportation systems via deep learning： a survey ［J］. Transportation Research Part C： Emerging Technologies， 2019， 99： 144-163. 10.1016/j.trc.2018.12.004
14	GREKOUSIS G. Artificial neural networks and deep learning in urban geography： a systematic review and meta-analysis［J］. Computers， Environment and Urban Systems， 2019， 74： 244-256. 10.1016/j.compenvurbsys.2018.10.008
15	WANG S Z， CAO J N， YU P S. Deep learning for spatio-temporal data mining： a survey ［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（8）： 3681-3700. 10.1109/tkde.2020.3025580
16	HOOKER J， DUVEILLER G， CESCATTI A. A global dataset of air temperature derived from satellite remote sensing and weather stations ［J］. Scientific Data， 2018， 5： No.180246. 10.1038/sdata.2018.246
17	ANDERSON V， LEUNG A C W， MEHDIPOOR H， et al. Technological opportunities for sensing of the health effects of weather and climate change： a state-of-the-art-review［J］. International Journal of Biometeorology， 2021， 65（6）： 779-803. 10.1007/s00484-020-02063-z
18	季长清，高志勇，秦静，等. 基于卷积神经网络的图像分类算法综述［J］. 计算机应用， 2022， 42（4）：1044-1049.
	JI C Q， GAO Z Y， QIN J， et al. Review of image classification algorithms based on convolutional neural network［J］. Journal of Computer Applications， 2022， 42（4）： 1044-1049.
19	SHI X J， CHEN Z R， WANG H， et al. Convolutional LSTM network： a machine learning approach for precipitation nowcasting［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015，1： 802-810.
20	LIN H X， BAI R F， JIA W J， et al. Preserving dynamic attention for long-term spatial-temporal prediction［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 36-46. 10.1145/3394486.3403046
21	KNUTSON T R， SIRUTIS J J， BENDER M A， et al. Dynamical downscaling projections of late twenty-first-century U.S. landfalling hurricane activity ［J］. Climatic Change， 2022， 171（3/4）： No.28. 10.1007/s10584-022-03346-7
22	SETIADI D R I M. PSNR vs SSIM： imperceptibility quality assessment for image steganography［J］. Multimedia Tools and Applications， 2021， 80（6）： 8423-8444. 10.1007/s11042-020-10035-z
23	BOCHINSKI E， SENST T， SIKORA T. Extending IOU based multi-object tracking by visual information ［C］// Proceedings of the 15th IEEE International Conference on Advanced Video and Signal Based Surveillance. Piscataway： IEEE， 2018： 1-6. 10.1109/avss.2018.8639144
24	CHEN H G， ZHANG X， LIU Y T， et al. Generative adversarial networks capabilities for super-resolution reconstruction of weather radar echo images ［J］. Atmosphere， 2019， 10（9）： No.555. 10.3390/atmos10090555
25	YUAN H X， ZENG Q Y， HE J X. Weather radar image superresolution using a nonlocal residual network［J］. Journal of Mathematics， 2021， 2021： No.4483907. 10.1155/2021/4483907
26	DOUKARI M， TOPOUZELIS K. Overcoming the UAS limitations in the coastal environment for accurate habitat mapping［J］. Remote Sensing Applications： Society and Environment， 2022， 26： No.100726. 10.1016/j.rsase.2022.100726
27	DOUKARI M， BATSARIS M， TOPOUZELIS K. UASea： a data acquisition toolbox for improving marine habitat mapping［J］. Drones， 2021， 5（3）： No.73. 10.3390/drones5030073
28	SHAH M， KUMAR P. Improved handling of motion blur for grape detection after deblurring ［C］// Proceedings of the 8th International Conference on Signal Processing and Integrated Networks. Piscataway： IEEE， 2021： 949-954. 10.1109/spin52536.2021.9566112
29	KUMAR A， AHMAD M O， SWAMY M N S. An efficient denoising framework using weighted overlapping group sparsity［J］. Information Sciences， 2018， 454/455： 292-311. 10.1016/j.ins.2018.05.001
30	LI D Q， JIANG T T， JIANG M. Unified quality assessment of in-the-wild videos with mixed datasets training［J］. International Journal of Computer Vision， 2021， 129（4）： 1238-1257. 10.1007/s11263-020-01408-w
31	LIU W， ZHOU F， LU T， et al. Image defogging quality assessment： Real-world database and method［J］. IEEE Transactions on Image Processing， 2021， 30： 176-190. 10.1109/tip.2020.3033402
32	YILDIRIM M， ÇINAR A， CENGIL E. Classification of the weather images with the proposed hybrid model using deep learning， SVM classifier， and mRMR feature selection methods［J］. Geocarto International， 2022， 37（9）： 2735-2745. 10.1080/10106049.2022.2034989
33	XIE K Z， HUANG L， ZHANG W F， et al. Learning to classify weather conditions from single images without labels［C］// Proceedings of the 2022 International Conference on Multimedia Modeling， LNCS 13141. Cham： Springer， 2022： 57-68.
34	MISHRA A， ROY G K， SINGLA K. Multi-class weather classification： comparative analysis of machine learning algorithms［M］// TIWARI S， TRIVEDI M C， KOLHE M L， et al. Advances in Data and Information Sciences： Proceedings of ICDIS 2021， LNNS 318. Singapore： Springer， 2022： 307-316. 10.1007/978-981-16-5689-7_27
35	郭志强，胡永武，刘鹏，等. 基于特征融合的室外天气图像分类［J］. 计算机应用， 2020， 40（4）：1023-1029. 10.11772/j.issn.1001-9081.2019081449
	GUO Z Q， HU Y W， LIU P， et al. Outdoor weather image classification based on feature fusion ［J］. Journal of Computer Applications， 2020， 40（4）：1023-1029. 10.11772/j.issn.1001-9081.2019081449
36	KHAN M N， AHMED M M. Weather and surface condition detection based on road-side webcams utilizing AlexNet， GoogleLeNet， and ResNet： application of pre-trained convolutional neural network ［J］. International Journal of Transportation Science and Technology， 2022， 11（3）： 468-483. 10.1016/j.ijtst.2021.06.003
37	吴昆，梁伟，王书强. 基于3D卷积神经网络的区域降雨量预报［J］. 图像与信号处理， 2018， 7（4）： 200-212.
	WU K， LIANG W， WANG S Q. 3D convolutional neural network for regional precipitation nowcasting ［J］. Journal of Image and Signal Processing， 2018， 7（4）： 200-212.
38	CASTILLO-BOTÓN C， CASILLAS-PÉREZ D， CASANOVA-MATEO C， et al. Machine learning regression and classification methods for fog events prediction［J］. Atmospheric Research， 2022， 272： No.106157. 10.1016/j.atmosres.2022.106157
39	PRABHAT， RÜBEL O， BYNA S， et al. TECA： a parallel toolkit for extreme climate analysis［J］. Procedia Computer Science， 2012， 9： 866-876. 10.1016/j.procs.2012.04.093
40	LIU Y J， RACAH E， PRABHAT， et al. Application of deep convolutional neural networks for detecting extreme weather in climate datasets ［EB/OL］. （2016-05-04）［2022-08-31］..
41	ZHOU K H， ZHENG Y G， LI B， et al. Forecasting different types of convective weather： a deep learning approach ［J］. Journal of Meteorological Research， 2019， 33（5）： 797-809. 10.1007/s13351-019-8162-6
42	刘新伟，黄武斌，蒋盈沙，等. 基于LightGBM算法的强对流天气分类识别研究［J］. 高原气象， 2021， 40（4）：909-918. 10.7522/j.issn.1000-0534.2020.00075
	LIU X W， HUANG W B， JIANG Y S， et al. Study of the classified identification of the strong convective weathers based on the LightGBM algorithm［J］. Plateau Meteorology， 2021， 40（4）：909-918. 10.7522/j.issn.1000-0534.2020.00075
43	WANG Y B， LONG M S， WANG J M， et al. PredRNN： recurrent neural networks for predictive learning using spatiotemporal LSTMs［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 879-888.
44	WANG Y B， GAO Z F， LONG M S， et al. PredRNN++： towards a resolution of the deep-in-time dilemma in spatiotemporal predictive learning［C］// Proceedings of the 35th International Conference on Machine Learning. New York： JMLR.org， 2018： 5123-5132.
45	WANG Y B， WU H X， ZHANG J J， et al. PredRNN： a recurrent neural network for spatiotemporal predictive learning ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（2）： 2208-2225. 10.1109/tpami.2022.3165153
46	ZAMO M， BEL L， MESTRE O. Sequential aggregation of probabilistic forecasts — application to wind speed ensemble forecasts ［J］. Journal of the Royal Statistical Society Series C： Applied Statistics， 2021， 70（1）： 202-225. 10.1111/rssc.12455
47	黄兴友，马玉蓉，胡苏蔓. 基于深度学习的天气雷达回波序列外推及效果分析［J］. 气象学报， 2021， 79（5）：817-827. 10.11676/qxxb2021.041
	HUANG X Y， MA Y R， HU S M. Extrapolation and effect analysis of weather radar echo sequence based on deep learning［J］. Acta Meteorologica Sinica， 2021， 79（5）：817-827. 10.11676/qxxb2021.041
48	LI W D， GAO X， HAO Z H， et al. Using deep learning for precipitation forecasting based on spatio-temporal information： a case study ［J］. Climate Dynamics， 2022， 58（1/2）： 443-457. 10.1007/s00382-021-05916-4
49	GOROOH V A， ASANJAN A A， NGUYEN P， et al. Deep neural network high SpatioTemporal resolution Precipitation Estimation （Deep-STEP） using passive microwave and infrared data［J］. Journal of Hydrometeorology， 2022， 23（4）： 597-617. 10.1175/jhm-d-21-0194.1
50	马景奕，刘维成，闫文君. 基于深度学习的气象要素预测方法［J］. 热带气象学报， 2021， 37（2）：186-193. 10.16032/j.issn.1004-4965.2021.018
	MA J Y， LIU W C， YAN W J. Meteorological elements forecasting method based on deep learning［J］. Journal of Tropical Meteorology， 2021， 37（2）： 186-193. 10.16032/j.issn.1004-4965.2021.018
51	张雪薇，韩震. 基于ConvGRU深度学习网络模型的海表面温度预测［J］. 大连海洋大学学报， 2022， 37（3）：531-538.
	ZHANG X W， HAN Z. Prediction of sea surface temperature based on ConvGRU deep learning network model［J］. Journal of Dalian Ocean University， 2022， 37（3）：531-538.
52	潘超，李润宇，蔡国伟，等. 基于属性约简重构的自校正卷积记忆风速预测［J/OL］. 中国电机工程学报（2022-03-23）［2022-05-20］. .
	PAN C， LI R Y， CAI G W， et al. Wind speed prediction with self-tuning convolutional memory based on attribute reduction reconstruction ［J/OL］. Proceedings of the CSEE （2022-03-23）［2022-05-20］..
53	修春波，苏欢，苏雪苗. 多通道长短期记忆卷积网络的风速预测［J］. 电力工程技术， 2022， 41（1）：64-69. 10.12158/j.2096-3203.2022.01.009
	XIU C B， SU H， SU X M. Wind speed prediction based on multi-channel long short-term memory convolution neural network［J］. Electric Power Engineering Technology， 2022， 41（1）：64-69. 10.12158/j.2096-3203.2022.01.009
54	LI Y P， LANG J W， JI L， et al. Weather forecasting using ensemble of spatial-temporal attention network and multi-layer perceptron［J］. Asia-Pacific Journal of Atmospheric Sciences， 2021， 57（3）： 533-546. 10.1007/s13143-020-00212-3
55	WANG C， WANG P， WANG D， et al. Nowcasting multicell short-term intense precipitation using graph models and random forests［J］. Monthly Weather Review， 2020， 148（11）： 4453-4466. 10.1175/mwr-d-20-0050.1
56	PETERSON M， RUDLOSKY S， ZHANG D L. Thunderstorm cloud-type classification from space-based lightning imagers［J］. Monthly Weather Review， 2020， 148（5）： 1891-1898. 10.1175/mwr-d-19-0365.1
57	张永宏，刘昊，田伟，等. 基于DeepLab v3的西藏地区降雨云团分割方法［J］. 计算机应用， 2020， 40（9）：2781-2788.
	ZHANG Y H， LIU H， TIAN W， et al. Rainfall cloud segmentation method in Tibet based on DeepLab v3［J］. Journal of Computer Applications， 2020， 40（9）： 2781-2788.
58	MUDIGONDA M， RAM P， KASHINATH K， et al. Deep learning for detecting extreme weather patterns［M］// CAMPS-VALLS G， TUIA D， ZHU X X， et al. Deep Learning for the Earth Sciences： A Comprehensive Approach to Remote Sensing， Climate Science， and Geosciences. Hoboken， NJ： John Wiley & Sons， Inc.， 2021： 161-185. 10.1002/9781119646181.ch12
59	TONG B， SUN X F， FU J Y， et al. Identification of tropical cyclones via deep convolutional neural network based on satellite cloud images ［J］. Atmospheric Measurement Techniques， 2022， 15（6）： 1829-1848. 10.5194/amt-15-1829-2022
60	耿逍懿，郝坤，史振威. 一种基于深度学习的热带气旋路径集成预报方法［J］. 海洋科学， 2022， 46（2）：74-86.
	GENG X Y， HAO K， SHI Z W. Consensus forecast method for a tropical cyclone track based on deep learning ［J］. Marine Sciences， 2022， 46（2）：74-86.
61	NA Y S， NA B， SON S. Near real-time predictions of tropical cyclone trajectory and intensity in the northwestern Pacific Ocean using echo state network ［J］. Climate Dynamics， 2022， 58（3/4）： 651-667. 10.1007/s00382-021-05927-1
62	CHEN R， ZHANG W M， WANG X. Machine learning in tropical cyclone forecast modeling： a review［J］. Atmosphere， 2020， 11（7）： No.676. 10.3390/atmos11070676
63	钱奇峰，王川，徐雅静，等. 一种基于深度学习的台风强度估测技术［J］. 气象， 2021， 47（5）：601-608. 10.7519/j.issn.1000-0526.2021.05.008
	QIAN Q F， WANG C， XU Y J， et al. A deep learning technique of typhoon intensity estimation ［J］. Meteorological Monthly， 2021， 47（5）： 601-608. 10.7519/j.issn.1000-0526.2021.05.008
64	陈睿. 基于深度学习的台风预测关键技术研究［D］. 长沙：国防科技大学， 2018： 56-71.
	CHEN R. Research on the key technology of typhoon prediction based on deep learning［D］. Changsha： National University of Defense Technology， 2018： 56-71.
65	孙健，曹卓，李恒，等. 人工智能技术在数值天气预报中的应用［J］. 应用气象学报， 2021， 32（1）：1-11. 10.11898/1001-7313.20210101
	SUN J， CAO Z， LI H， et al. Application of artificial intelligence technology to numerical weather prediction ［J］. Journal of Applied Meteorological Science， 2021， 32（1）：1-11. 10.11898/1001-7313.20210101
66	RUNGE J， PETOUKHOV V， DONGES J F， et al. Identifying causal gateways and mediators in complex spatio-temporal systems［J］. Nature Communications， 2015， 6： No.8502. 10.1038/ncomms9502
67	FRNDA J， DURICA M， NEDOMA J， et al. A weather forecast model accuracy analysis and ECMWF enhancement proposal by neural network ［J］. Sensors， 2019， 19（23）： No.5144. 10.3390/s19235144
68	ZHUO J Y， TAN Z M. Physics-augmented deep learning to improve tropical cyclone intensity and size estimation from satellite imagery［J］. Monthly Weather Review， 2021， 149（7）： 2097-2113.
69	CHEN Z H， GAO J， WANG W K， et al. Physics-informed generative neural network： an application to troposphere temperature prediction［J］. Environmental Research Letters， 2021， 16（6）： No.065003. 10.1088/1748-9326/abfde9
70	XIE H S， WU L D， XIE W， et al. Improving ECMWF short-term intensive rainfall forecasts using generative adversarial nets and deep belief networks［J］. Atmospheric Research， 2021， 249： No.105281. 10.1016/j.atmosres.2020.105281
71	RASP S， PRITCHARD M S， GENTINE P. Deep learning to represent subgrid processes in climate models ［J］. Proceedings of the National Academy of Sciences of the United States of America， 2018， 115（39）： 9684-9689. 10.1073/pnas.1810286115
72	WANG X， HAN Y， XUE W， et al. Stable climate simulations using a realistic GCM with neural network parameterizations for atmospheric moist physics and radiation processes［J］. Geoscientific Model Development， 2022， 15（9）： 3923-3940. 10.5194/gmd-15-3923-2022
73	PENG X D， CHE Y Z， CHANG J. A novel approach to improve numerical weather prediction skills by using anomaly integration and historical data［J］. Journal of Geophysical Research： Atmospheres， 2013， 118（16）： 8814-8826. 10.1002/jgrd.50682
74	HAN L， CHEN M X， CHEN K K， et al. A deep learning method for bias correction of ECMWF 24-240 h forecasts ［J］. Advances in Atmospheric Sciences， 2021， 38（9）： 1444-1459. 10.1007/s00376-021-0215-y
75	张延彪，陈明轩，韩雷，等. 数值天气预报多要素深度学习融合订正方法［J］. 气象学报， 2022， 80（1）：153-167. 10.11676/qxxb2021.066
	ZHANG Y B， CHEN M X， HAN L， et al. Multi-element deep learning fusion correction method for numerical weather prediction［J］. Acta Meteorologica Sinica， 2022， 80（1）：153-167. 10.11676/qxxb2021.066
76	SAYEED A， CHOI Y， JUNG J， et al. A deep convolutional neural network model for improving WRF simulations ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（2）： 750-760. 10.1109/tnnls.2021.3100902
77	SHA Y K， GAGNE D J， Ⅱ， WEST G， et al. A hybrid analog-ensemble， convolutional-neural-network method for post-processing precipitation forecasts ［J］. Monthly Weather Review， 2022， 150（6）： 1495-1515.
78	WANG F， TIAN D. On deep learning-based bias correction and downscaling of multiple climate models simulations ［J］. Climate Dynamics， 2022， 59（11/12）： 3451-3468. 10.1007/s00382-022-06277-2
79	CHO D， YOO C， SON B， et al. A novel ensemble learning for post-processing of NWP model’s next-day maximum air temperature forecast in summer using deep learning and statistical approaches［J］. Weather and Climate Extremes， 2022， 35： No.100410. 10.1016/j.wace.2022.100410
80	SCHER S. Toward data-driven weather and climate forecasting： Approximating a simple general circulation model with deep learning［J］. Geophysical Research Letters， 2018， 45（22）： 12616-12622. 10.1029/2018gl080704
81	DE BÉZENAC E， PAJOT A， GALLINARI P. Deep learning for physical processes： incorporating prior scientific knowledge ［J］. Journal of Statistical Mechanics： Theory and Experiment， 2019， 2019（12）： No.124009. 10.1088/1742-5468/ab3195
82	WEBER T， COROTAN A， HUTCHINSON B， et al. Technical note： deep learning for creating surrogate models of precipitation in Earth system models ［J］. Atmospheric Chemistry and Physics， 2020， 20（4）： 2303-2317. 10.5194/acp-20-2303-2020
83	XIE S N， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 5987-5995. 10.1109/cvpr.2017.634
84	HUANG G， LIU S C， van der MAATEN L， et al. CondenseNet： an efficient DenseNet using learned group convolutions［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 2752-2761. 10.1109/cvpr.2018.00291
85	ZHANG Z Y， LI J Y， SHAO W Q， et al. Differentiable learning-to-group channels via Groupable convolutional neural networks［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 3541-3550. 10.1109/iccv.2019.00364
86	WANG X J， KAN M N， SHAN S G， et al. Fully learnable group convolution for acceleration of deep neural networks［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 9041-9050. 10.1109/cvpr.2019.00926
87	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 6000-6010.
88	BAI S J， KOLTER J Z， KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［EB/OL］. （2018-04-19）［2022-08-31］..
89	YAN J N， MU L， WANG L Z， et al. Temporal convolutional networks for the advance prediction of ENSO［J］. Scientific Reports， 2020， 10： No.8055. 10.1038/s41598-020-65070-5
90	HEWAGE P， TROVATI M， PEREIRA E， et al. Deep learning-based effective fine-grained weather forecasting model ［J］. Pattern Analysis and Applications， 2021， 24（1）： 343-366. 10.1007/s10044-020-00898-1
91	雷霞，罗雄麟. 深度学习可解释性研究综述［J］. 计算机应用， 2022， 42（11）： 3588-3602.
	LEI X， LUO X L. Review on interpretability of deep learning［J］. Journal of Computer Applications， 2022， 42（11）： 3588-3602.
92	MANANDHAR S， DEV S， LEE Y H， et al. A data-driven approach to detect precipitation from meteorological sensor data［C］// Proceedings of the 2018 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2018： 3872-3875. 10.1109/igarss.2018.8519275
93	GAGNE D J， Ⅱ， HAUPT S E， NYCHKA D W， et al. Interpretable deep learning for spatial analysis of severe hailstorms［J］. Monthly Weather Review， 2019， 147（8）： 2827-2845. 10.1175/mwr-d-18-0316.1
94	TOMS B A， BARNES E A， EBERT-UPHOFF I. Physically interpretable neural networks for the geosciences： applications to earth system variability［J］. Journal of Advances in Modeling Earth Systems， 2020， 12（9）： No.e2019MS002002. 10.1029/2019ms002002
95	YUAN Y， LIN L， HUO L Z， et al. Using an attention-based LSTM encoder-decoder network for near real-time disturbance detection ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 1819-1832. 10.1109/jstars.2020.2988324
96	CHAKRABORTY T， LEE X. Creating bias-corrected global radiation datasets from climate reanalysis products using supervised learning ［C］// Proceedings of the 19th Conference on Artificial Intelligence for Environmental Science. Providence， RI： American Meteorological Society， 2020： No.367892. 10.1038/s41597-021-01016-4
97	PEYRON M， FILLION A， GÜROL S， et al. Latent space data assimilation by using deep learning ［J］. Quarterly Journal of the Royal Meteorological Society， 2021， 147（740）： 3759-3777. 10.1002/qj.4153
98	WANG Y Y， SHI X M， LEI L L， et al. Deep learning augmented data assimilation： reconstructing missing information with convolutional autoencoders ［J］. Monthly Weather Review， 2022， 150（8）： 1977-1991. 10.1175/mwr-d-21-0288.1

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[3]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[4]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[5]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[10]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[11]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[12]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[13]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[14]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[15]	刘源泂, 何茂征, 黄益斌, 钱程. 基于ResNet50和改进注意力机制的船舶识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1935-1941.

深度学习在天气预报领域的应用分析及研究进展综述

Review of application analysis and research progress of deep learning in weather forecasting

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 98

相关文章 15

编辑推荐

Metrics