刘 娜 熊安元 张 强 刘雨佳 战云健 刘一鸣

(国家气象信息中心，北京 100081)

引 言

近20年，随着气象观测技术和数值预报技术的快速发展，天气预报水平取得了明显进步，欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)和中国的全球环流形势预报可用时效(以500 hPa位势高度距平相关系数高于0.6为标准)已分别达到8.5 d和7.2 d，中国24 h晴雨预报准确率已稳定在80%以上。强对流天气由于具有持续时间短、空间尺度小等特点，常规气象观测系统监测难度大，数值天气预报模式也难以准确描述其物理过程。中国中央气象台对雷暴大风和冰雹的6～24 h预报2010—2015年TS评分(threat score,风险评分)为0.01～0.07[1]，预报水平远不能满足服务需求，且6年间预报水平提高幅度有限。美国强风暴预报中心对雷暴天气6 h预报TS评分仅为0.155～0.213[2-3]。因此，中尺度灾害性天气预报问题是目前亟待攻克的科学难题。

随着高性能计算能力不断提升，基于数据驱动的机器学习技术在多个领域取得突破性应用成果。机器学习是人工智能的一个分支，是计算机在一定的数学模型框架下，自动学习大量输入样本的数据结构和内在规律，建立输入数据与标签数据间的数学关联，从而对新样本进行智能识别，实现对未来预测。因此，机器学习技术被认为在基于数据驱动的天气预报领域具有广泛的应用前景[4]，特别是数值天气预报尚不能解决的一些中小尺度的强对流天气预报问题。一些基于传统的机器学习算法，分别利用地面、高空等各类观测数据和中尺度数值预报产品对雷暴[5]、直线型强风[6]、冰雹[7-8]、龙卷[9]、对流初生[10]等强对流天气过程均表现出较强的预报能力。……