AI提升气候灾害预测能力… APCC研究团队论文登上国际学术期刊

“引入人工智能方法，预测东亚气候灾害”

APEC气候中心高级研究员 Jung Yuran 等参与

一项利用人工智能提升对东亚地区可能发生的气候灾害预测能力的研究引发关注。

亚太经济合作体气候中心（APCC，院长 Shin Dosik）22日表示，由高级研究员 Jung Yuran 等人参与的研究团队论文已在线发表在国际知名学术期刊《Heliyon》上。

论文题为《通过基于深度学习的后处理提升东亚季节内（S2S，次季节至季节）多模式集合降水预报能力》。

目前，APCC利用多模式集合（MME）技术，将来自全球11个国家15家主要气候预测机构提供的预测信息，生产为可靠的长期气候预测信息，并提供给亚太地区。

多模式集合技术是对各气候预测机构提供的气候预测模式输出进行系统分析与整合，从而提高气候预测的准确度。

所谓气候预测模式，是为解释构成地球气候系统各要素而建立的数学表达式。它将气候因子之间复杂的相互作用简化为一系列数学方程，不仅有助于理解气候演变过程，也使气候模拟和预测成为可能。

研究团队指出，近年来剧烈的气候与天气变化对生活和产业整体造成巨大影响。为有效预防和应对极端气候造成的损失，社会对在大约一个月前就能较为准确地预测未来几周的气候变动（如高温或暴雨的强度和持续时间）的需求不断上升。因此，近期对高可靠性S2S预测信息的社会需求正在增加。

季节内预测通常以1至6周为时间尺度，对周尺度气候变动进行预测。它承担着填补10天以后天气预测的中期（次季节）预报与通常预测3个月及以上时段的季节预报之间空白的功能。

时间尺度为数十天的季节内气候变动，在数千至数万公里范围的广阔区域内具有密切相关性，并受构成地球环境的大气圈、水圈、冰冻圈、岩石圈和生物圈等地球系统多种要素的影响。

迄今为止，气候预测模式模拟的主要关注对象是大气，但近年来已扩展到海洋、陆面、海冰、植被等多种要素。

然而，在此类气候预测模式中，对于初始条件影响迅速减弱的1至2周以后时段的预测，其可信度会急剧下降，因此人们在现实中难以充分利用这些模式产生的预测信息。尤其在季节内预测中，要精确预测降水量和降水频度极为困难。

APCC研究团队为解决季节内预测的这一难题，基于人工智能技术中的深度学习开展后处理（Post-Processing），确认了在2至4周期间，东亚季节内多模式集合降水预测的可靠性得到提升。

所谓基于深度学习的后处理，是指深度学习模型在既有季节内预测数据的基础上学习和推断长期气象模式，并据此顺序预测未来各日气象条件的一种技术。

此次APCC研究团队的论文成果，通过比较为该地区降水预测而采用机器学习或深度学习方法进行后处理的各类预测模式之间的预测性能，使得在气候预测模式的预测时段内，对降水量及降水频度预测准确度的评估成为可能。

借此，可以根据东亚各地区的降水预测需求，选择在相应地区预测性能更优的特定气候预测模式，有望为生产更为可靠的气候预测信息作出贡献.

APCC高级研究员 Jung Yuran 表示：“通过本次研究，已经能够对气候灾害管理中至关重要的要素——可靠的降水量及降水频度进行预测。今后将在农业等气候敏感领域支持有效利用气候信息，并通过这一过程辅助作出正确决策，从而有助于减少气候灾害导致的人力与物质损失。”