宿迁资讯网移动版

　　对此，代刊建议，为进一步推进AI技术在业务流程的关键环节发挥重要作用，未来应加强新的、更高级的AI技术理论研究和应用开发，“目前大部分AI技术方法研发还是以大气科学专业背景人员为主，需要统计学、计算科学、大数据挖掘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。”

　　更重要的是数据， AI技术的产品输出质量受到输入数据质量的限制，要想取得更好效果，需要加强高质量、长序列的气象训练数据集的研发，例如提供长历史、统计特性一致的模式数据，整理和开发高分辨的观测和分析资料用于训练和检验。在前述日本海洋研究机构和九州大学的研究中，研究小组为了利用深度学习获得更高的识别精度，对每一种气象类型都需要超过数千张图片的大量数据。“我们也在做长序列气象数据的再分析。”代刊表示。

　　另外他强调，目前大部分AI技术类似“黑箱”，在通常情况下运行良好，但遇到极端情况可能会失效。因此，据代刊介绍，英国气象局一直在利用数据驱动，将统计技术与物理模式和深刻理解结合起来，并积累了大量经验，例如将高分辨率观测网、复杂数值模式和再分析数据利用统计技术结合起来为风能行业发展了业务预报工具，能够提供更高精度的风力预报，并适用于复杂地形条件。

　　“为了克服来自黑箱应用的挑战，还需要发展针对环境科学的机器学习理论和方法。”代刊表示。此外，也需要积极推动研究成果到业务应用的转换，包括建立开放性、众创的后处理支持基础架构，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，提供资源用于培训相关人员的研发水平。

　　代刊表示，有好的预报不等于能做出好的决策，传统数值预报结果越来越精确，但降水量、台风强度和路径等预报结果并不一定导向好的应对决策。在这方面，人工智能技术大有可为，虽然AI还不能很好地模拟传统的物理过程，但通过综合如交通、能源、农业等各领域的数据和研究，它能帮助人类在应对天气影响时拿出更优良的决策方案。

　　“人工智能在气象行业中的应用刚起步，应用场景未来还有很多。“钱奇峰表示，“在未来10年当中，整合基于物理模式的数值预报和数据驱动的方法，将会给天气预报带来新的机会，例如将机器学习应用于交通堵塞、航空延误、花粉过敏等难以用物理模型处理的预报，能够提供更有价值的信息。”（记者 崔爽）