0
| 本文作者： 貝爽 | 2021-04-22 16:39 |
“一只蝴蝶在巴西微微振翅，是否會掀起美國德克薩斯州的龍卷風？”
1963年，氣象學家愛德華勞倫茲發(fā)現(xiàn)混沌理論后，發(fā)出如此驚世一問。這也就是我們常說的蝴蝶效應。勞倫茲用它來形容“厄爾尼諾”等復雜氣候現(xiàn)象的難以預測性。簡單理解就是：復雜系統(tǒng)中，任何微小的不確定性都會被放大，并導致最終的預測結果與瞎猜無異。
厄爾尼諾的出現(xiàn)將引發(fā)洪澇、干旱、高溫、暴雪等自然災害，我們熟知的98洪災、08雪災、澳大利亞叢林大火、美國龍卷風…..都與此相關。數(shù)十年來，專家們一直在嘗試各種方法解決厄爾尼諾的預測問題，但效果都不甚理想。
不過，令人驚喜的是，在剛剛結束的這場比賽中，一支黑馬團隊刷新了行業(yè)內(nèi)預測精度的最高紀錄！
4月22日，阿里達摩院聯(lián)合南京信息工程大學、國家氣候中心、國家海洋環(huán)境預報中心、阿里云天池平臺等機構共同舉辦的AI氣候預測大賽迎來了終極決賽。賽場上，來自西安交通大學的的swg-lhl團隊奪得了本次大賽的冠軍，他們研發(fā)的AI算法模型在關鍵指標上達到了44.43分。該成績超過了2019年發(fā)表于《Nature》的最佳成果。
此外，參賽團隊的AI算法還預測，未來2年大概率不會出現(xiàn)厄爾尼諾和拉尼娜現(xiàn)象（NINO 3.4指數(shù)波動小），換言之，今年全國可能迎來暖冬，夏季長江流域出現(xiàn)洪澇災害的幾率較低。
根據(jù)比賽規(guī)則，Top 5 團隊將瓜分阿里20萬元獎金。
本屆大賽自啟動以來，共有2849支團隊報名參賽，400多支隊伍提交結果，200多支隊伍有成績。經(jīng)過晉級賽選拔，最終6支團隊進入決賽階段。今日終極決賽在南京信息工程大學順利結束，各支隊伍成績?nèi)缦拢?/p>
第一名：swg-lgl團隊（桑維光、曾海如、羅海倫）
第二名：吳先生的隊伍（潘翔、吳嘉鋮、高磊）
第三名：ailab團隊（王天雷、胡中巖、耿良超）
據(jù)了解，以上團隊的AI算法模型超越了《Nature》論文模型的39.2分，這意味著這些算法能夠取得比原模型周期更長、精準度更高的厄爾尼諾預測結果。
2019年9月，羅京佳教授與韓國全南國立大學研究團隊共同發(fā)表一項研究成果，這篇論文名為“Deep learning for multi-year ENSO forecasts”，發(fā)表后同時登上了《Nature》的《Science》雜志。當時，這項研究論文被視為深度學習在氣象預測領域的開山之作。
論文地址：https://www.nature.com/articles/s41586-019-1559-7
論文中，他們利用卷積神經(jīng)網(wǎng)絡（CNN）首次將厄爾尼諾現(xiàn)象的預測準精度提高到了80%，且預測時效為18月。在此之前，相同預測時效下，國家氣象局及相關研究機構的準確度均不超過75%。
據(jù)阿里達摩院官方透露，本次比賽共有來自全球13支隊伍的AI算法結果超過了《Nature》文章的水平，而且部分團隊的成果將在國家氣候中心等機構應用。
這些團隊為何能夠取得如此成績？是得益于數(shù)據(jù)優(yōu)勢，還是算法創(chuàng)新？AI科技評論了解到，參賽隊伍通過預測Nino3.4區(qū)海域的海水溫度，來進一步預測異常氣象，所用數(shù)據(jù)集為全球海洋環(huán)境監(jiān)測數(shù)據(jù)和厄爾尼諾現(xiàn)象觀測數(shù)據(jù)，這些與羅京佳教授在論文中的研究條件并無較大差異。
對此，羅京佳教授對AI科技評論表示，他發(fā)表在《Nature》上的論文所使用的卷積神經(jīng)網(wǎng)絡是一個相對成熟的算法，而非最先進的算法。近幾年，越來越多高性能的深度學習算法被提出，這些將有助于提高預測精度。
同時，他還表示，未來隨著人工智能在數(shù)據(jù)、算法方面不斷精進，AI在氣象預測領域的應用還有更大的想象空間。
本次賽題是一個時間序列預測問題。基于歷史氣候觀測和模式模擬數(shù)據(jù)，利用T時刻過去12個月(包含T時刻)的時空序列（氣象因子），構建預測ENSO的深度學習模型，預測未來1-24個月的Nino3.4指數(shù)，如下圖所示：
根據(jù)賽題信息，各參賽隊伍在現(xiàn)有先進模型的基礎上進行了不同程度的創(chuàng)新，如冠軍團隊swg-lhl，他們采用了一種全新的TCNN模型提取時空特征信息，降低參數(shù)量并有效防止過擬合，實驗證明，該模型在不同數(shù)據(jù)集表現(xiàn)穩(wěn)定，魯棒性更強。
下面AI科技評論將Top3團隊所使用的模型結構和特點一一呈現(xiàn)。
第一名：swg-lgl團隊
他們使用1維卷積提取時間維度特征，使用2維卷積提取空間特征。時間維度特征和空間維度特征是分離串行提取，可以降低參數(shù)量，防止過擬合。為了感受不同時間維度尺度信息，他們使用3種尺度圖去提取時間特征，然后融合。模型圖如下：
圖注：整體框架
圖注：CNN特征提取
第二名：吳先生的隊伍
他們在SA-ConvLSTM 和ConvLSTM的基礎上增加了Self-attention memory module，即一個對空間維度采取注意力機制的模塊，和一個可記憶非局部時空特征的memory unit M。通過傳統(tǒng)的ConvLSTM計算得到的H會再通過Self-attention memory module得到最終SA-ConvLSTM的輸出和下一個時刻的M。
圖注：自我注意力記憶模塊
圖注：自我注意力 ConvLSTM (SA-ConvLSTM) 模塊.
該模型充分發(fā)現(xiàn)了自注意力機制在較長時間尺度的氣候演變時空預報中的作用。
創(chuàng)新之處在于，考慮了空間非局部的、時間更連續(xù)的時空結構演變特征，整個西太平洋海溫時空結構演變的信息，用時空預報作為時間序列預報的進一步擴充，并利用自注意力機制充分提取時空結構信息來做預報。
第三名：ailab團隊
LSTM模型使用了一種門控結構用以控信息的流動，避免RNN長時間傳遞梯度消失問題。LSTM一共有3個門，分別是輸入門、遺忘門、輸出門。遺忘門控制丟棄多少上一時刻的細胞狀態(tài)。輸入門控制多少新的信息會進入到當前細胞狀態(tài)。最后，輸出門決定細胞狀態(tài)的哪些部分需要輸出。他們使用ConvLSTM作為基礎模型。ConvLSTM將LSTM中的全連接操作替換為卷積操作，使得數(shù)據(jù)的空間特征成功融入了網(wǎng)絡，同時大大減少了網(wǎng)絡的參數(shù)數(shù)目。
在該模型中，基本單元Causal LSTM使用的是級聯(lián)結構，將狀態(tài)C的結果用于狀態(tài)M的計算。在第一層和第二層之間插入了類似GRU結構的高速梯度單元GHU，用于緩解狀態(tài)M在長時間預測過程中的特征丟失問題。
創(chuàng)新之處在于：
1. 將有監(jiān)督回歸任務轉化為無監(jiān)督時空預測問題，從而提升了對數(shù)據(jù)的利用率以及深度學習算法的可解釋性。
2. 使用更先進模型，通過復現(xiàn)近5年在發(fā)表各頂會中的論文模型，團隊挑選了相對穩(wěn)定、高性價比的模型，并對此進行了改進使之更適合此次比賽。
如果能夠提前預測厄爾尼諾現(xiàn)象，其價值不言而喻。
厄爾尼諾，主要指熱帶太平洋東部和中部海水溫度異常增暖的現(xiàn)象，通過海洋與大氣之間的相互作用，使整個世界的氣候模式發(fā)生變化。如引發(fā)洪澇、干旱、高溫、雪災等極端事件。
圖注：印度出現(xiàn)大面積干旱（圖源：trulybelong.com）
厄爾尼諾-南方濤動（ENSO）現(xiàn)象是地球上最強、最顯著的年際氣候信號，前者體現(xiàn)在海洋方面的變化，后者發(fā)生在大氣層面，它是一種發(fā)生在東南太平洋與印度洋及印尼地區(qū)之間的反相氣壓振動現(xiàn)象。
有專家稱，隨著全球變暖趨勢加強，ENSO已由“罕見”變成了“普遍”現(xiàn)象。提前預測ENSO，做好防災減災工作意義重大。
2017年，羅京佳教授將深度學習算法引起氣候預測領域，使得相關研究才有了突破性進展。
我們知道，繼首戰(zhàn)韓國職業(yè)棋手李世石后，由DeepMind公司研發(fā)的智能體AlphGO，在2017年的圍棋賽中再次以3：0戰(zhàn)績擊敗了世界冠軍選手柯潔。這一年，以AlphGo為代表的深度學習網(wǎng)絡名聲大噪，以深度學習為主題的第三次人工智能浪潮也開始襲來。
當時，羅京佳教授時任南京信息工程大學氣候與應用前沿研究院（ICAR）擔任院長，在該領域已深耕20余年，主要研發(fā)氣候動力學以及氣候模式開發(fā)、預測及其應用、海洋動力學。面對這股浪潮，他敏銳地察覺到深度學習或許將為氣候預測帶來新的可能性。
他說，“AlphGo戰(zhàn)勝人類展現(xiàn)了其強大的學習和信息處理能力。類似于圍棋游戲，在氣候預測中，大氣、海洋、溫度等眾多影響因子之間的相互作用也非常復雜，基于深度學習方法的AI或許能夠自學出一種更好的統(tǒng)計模型。”
兩年后，羅京佳教授及團隊將相關研究成果發(fā)表在了《Nature》雜志，如上文所述，他們預測1.5年厄爾尼諾現(xiàn)象的準確度達到了80%。雖然這一成績還遠未達到精準預測的程度，但它刷新了當時行業(yè)預測的最高水平，并證明了深度學習方法在氣候預測中應用的可能性。
此外，論文中顯示，卷積神經(jīng)網(wǎng)絡還能預測海表溫度異常的不同空間分布，彌補了目前動力預測系統(tǒng)的不足。
“AI預測ENSO，也不可避免地會遇到小樣本數(shù)據(jù)和可解釋性的問題”，在談到AI在氣候預測方面的研究現(xiàn)狀時，羅京佳教授說道。
相比于天氣預測，氣候預測的周期性更長（厄爾尼諾每2-7年發(fā)生一次），它所能夠利用的數(shù)據(jù)也就更少。目前相關研究所使用的數(shù)據(jù)集大多為1871年-1973年全球海洋天氣和環(huán)境的測量數(shù)據(jù)，以及1961-2017年厄爾尼諾現(xiàn)象的觀測數(shù)據(jù)。
細算下來，相關數(shù)據(jù)量不足150年，如果把每年的相同月份進行對比，每個月的樣本數(shù)量少于150個。對于深度學習的樣本數(shù)量而言，這顯然是不足的。值得一提的是，在這方面，羅京佳提出了利用遷移學習模擬數(shù)據(jù)的方法，在一定程度上解決了有限數(shù)據(jù)樣本的問題。
當然，大數(shù)據(jù)本身并不意味著大價值，有效的數(shù)據(jù)分析還需要依靠機器學習算法，尤其是深度學習算法。因此，更先進的算法能夠進一步提升AI預測結果的準確性，如本次大賽的結果就是最好的體現(xiàn)。
長期以來，AI被認為是個黑匣子，雖然能輸出結果，但人們并不清楚它是如何得出這一結果的，這也就是AI的可解釋性問題。羅京佳教授認為，AI的可解釋性差有兩點原因，一是它不像傳統(tǒng)的統(tǒng)計學習方法，能夠遵循固定的程序和規(guī)則，了解每因子所做的貢獻。二是人工智能模型越來越復雜，一個模型可能有上億個參數(shù)。
他強調，在地理研究中，我們更關注實現(xiàn)過程的機制和原理問題，由于AI的可解釋性差，在一定程度上限制了其在氣候預測領域的應用和發(fā)展。
不過，可解釋性問題已經(jīng)成為行業(yè)內(nèi)的一個熱點課題，專家們提出了很多方法嘗試解決它，比如在數(shù)據(jù)訓練和網(wǎng)絡框架中，引入機理約束和物理約束，這些都是目前在嘗試的一些解決思路，羅京佳教授說道。
本次賽事由阿里巴巴達摩院，聯(lián)合南京信息工程大學、國家氣候中心、國家海洋環(huán)境預報中心以及安徽省氣象局共同舉辦。
今日賽場上，該領域內(nèi)的多為重磅級專家，包括國家最高科學技術獎獲得者、中科院院士曾慶存、國家氣候中心副主任賈小龍，中國科學院院士王會軍、戴永久、南京信息工程大學教授羅京佳等均有出席或擔任評委。
曾慶存院士表示，人工智能與大氣科學的結合大有可為，希望未來研究人員能把大氣科學已有的知識和方法更好地與人工智能結合，要敢于為世人、為世界之先，創(chuàng)造出最好的人工智能。
海洋環(huán)境預報中心副主任凌鐵軍表示：“在海洋預報與預測領域，仍然有很多科學與理論問題尚未完全解決，數(shù)學表達還很不完善，在技術實現(xiàn)和效果上仍存在較大不確定性，AI正是解決這些問題的重要手段。”
對于本次賽事的初衷和目標，阿里達摩院曾表示，國際氣象行業(yè)主要應用機器學習動力模式進行氣候預測，但多年來，其預測范圍只能局限于100公里以上的區(qū)域，無法實現(xiàn)精細化的預測。達摩院的目的就是探索用AI來更高效更精細地預測影響氣候的厄爾尼諾現(xiàn)象，并將預測周期延長至2年。
本次大賽于今年2月3日正式啟動，共有2849個隊伍報名，3000余選手參賽，參賽選手覆蓋300所中國高校，91所海外高校，96家企業(yè)，其覆蓋范圍之大，影響之廣在業(yè)內(nèi)少有，更重要的是，比賽最終取得了突破性的成果。
據(jù)介紹，本次大賽涌現(xiàn)的AI新算法，將用于國家氣候中心、國家海洋環(huán)境預報中心等業(yè)務機構，為未來極端天氣提供預警信息。此外，知名氣候研究學術組織CLIVAR還將設立專刊，邀請Top 6參賽團隊、科研機構、知名專家在AI在氣候預測領域進行投稿。CLIVAR在該領域有“氣候科學奧林匹克盛會”之稱。
對于本次大賽所取得的突出成果，世界氣象組織（WMO）秘書長佩蒂瑞·塔拉斯還發(fā)來祝賀，他表示，人工智能在氣象領域發(fā)揮越來越重要的作用，是地球預警系統(tǒng)和多災害預警服務的基本方法；人工智能創(chuàng)新及應用是世界氣象組織及成員實現(xiàn)可持續(xù)發(fā)展目標、解決未來科學問題的最重要領域之一。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
