马景奕，刘维成，闫文君

（1.中国气象局气象干部培训学院甘肃分院，甘肃 兰州730020；2.兰州市中心气象台，甘肃 兰州730020）

1 引 言

2019年Reichstein等[1]在《Nature》上发表论文“Deep learning and process understanding for datadriven Earth system science”，充分预示着地球系统科学将随着诸如神经网络、深度学习等人工智能技术的发展，进入到智能化大数据时代。

大气科学作为地球系统科学的重要组成，由于对人类的日常生活以及各行业均密切相关，与气象相关的研究便一直是学术界研究的最前沿[2-5]。气象条件复杂多变，制约气象状态的因素多样、连续、动态、多维的，因此准确预测气象要素一直充满挑战[6]。

气象预报的研究主要以两种方式进行，即基于物理学计算和基于数据驱动。基于物理学的气象预报模型直接模拟大气中物理过程，该过程对大气动力学、热辐射以及绿色空间、湖泊和海洋的影响进行数值分析。目前，大多数商业和公共气象预报系统中都包含此类物理模型[7-9]。数据驱动的模型使用统计数据或基于机器学习的方法进行气象预测。数据驱动模型的优点在于能够在没有任何先验知识的情况下为气象系统检测意外。但这其中可能需要大量数据，且缺乏对模型工作机理的有效解释。相反，基于物理学的方法具有可解释的优势，具有根据观察信息进行外推的潜力。但这种方法也存在先验知识需要明确定义以及运算量大的缺点[1,10]。近年，随着可用功能和观测数量的不断增加，数据驱动模型被广泛地应用于气象预测。

作为传统气象预测和预报方法的补充，随着机器学习（ML）[11-12]和深度学习（DL）[13]技术的快速发展，大大促进了数据驱动模型的使用[14-17]。……