AMS百年评述论文译介
首页 > 《科技信息快递》 >2019年>第六期>AMS百年评述论文译介
应用气象100年进步III：新兴应用
发布日期 ：2023-05-11
作者： Sue Ellen Haupt （美国国家大气研究中心）； Branko Kosović（美国国家大气研究中心）；Scott W. Mcintosh（美国国家大气研究中心）； Fei Chen（美国国家大气研究中心）； Kathleen Miller（美国国家大气研究中心）
编译：吴灿 田晓阳
摘要： 应用气象学是一个重要且快速发展的领域， AMS 百年专著系列分三章，分别对最早期、最成熟的应用领域以及当前进展迅猛的新兴应用领域的发展进行了全面介绍。 这三章共同描述了应用气象学是如何利用气象学信息一方面既满足社会的需求，另一方面又反向加深和促进人类对自然界基本物理过程的认识。 本章是应用气象学的第三章，也是最后一章， 探讨了气象学在农业与粮食安全、空间天气、野火管理中的应用，以及人工智能技术在应用气象学中的发展。
1 引言
古希腊哲学家恩培多克勒猜想世界是由气、火、水、土四种元素组成。他推测这些元素是不生不灭，永恒存在的，四种元素各具有不同的性质，彼此之间不能相互转化。它们混合而形成万物。这种前苏格拉底式的理论起源于公元前 460 年左右，持续了 2000 多年。虽然我们现在对世界和宇宙的本质有了更深刻的理解，但人们可以想象古代人类如何根据他们当时的观察能力发展了这种土-气-火-水哲学。本章作为 AMS 百年专著应用气象系列的第三章，则是运用与这些哲学思想想类似逻辑，探讨了一些新兴应用气象领域的发展。
众所周知， 炽热的太阳不仅为地球及其大气层提供能量，还产生影响地球及其大气层的空间天气；人类通过农业活动，借助太阳提供的能量和土壤进行粮食生产， 这种农业活动高度依赖于大气的运动，大气运动产生的天气不仅可以产生雨水，还为粮食生产提供了基础；而野火的发生则可能完全改变这一切。 人类发展至今，我们对这些问题的理解已经有了很大的进步，本章讨论了在过去 100 年中， 人类对这些过程的认识是如何发展和加深的。
随着遥感科技和计算机技术的发展， 可用环境数据的迅速增加使我们对基础物理过程的理解不断加深。类似地，计算能力的进步使得诸如人工智能、更高分辨率的计算网格化模型以及复杂过程耦合等新技术层出不穷。随着人类管理复杂地球物理过程的能力不断加强，这些复杂气象模型的应用变得愈发重要。这种耦合建模方法为农业、野火防控、空间天气以及其他领域应用提供准确的模拟和预报至关重要。
本章作为应用气象学的第三章，也是最后一章， 探讨了气象学在农业与粮食安全、空间天气、野火管理中的应用，以及人工智能技术在应用气象学中的发展。 尽管应用气象章节中回顾的应用并不全面，但笔者希望借此可激发读者的兴趣，让读者更多地了解气象如何通过增加资源获取、保护环境以及增进人类对环境系统各部分相互作用的理解，从而对全球人类产生具体影响。
2 在农业与粮食安全中的应用
a. 介绍
食物是人类的基本需求。为了满足不断增长的人口需求，过去 50 年，在粮食价格下降的同时，全球农业产量增加了两倍以上。在美国，早在 1948 年就已具备了相当高的农业生产水平，即便如此， 1948—2011 年间美国的农业产量也翻了一番（Wang and Ball 2014）。到 2050年，集中在发展中国家的人口增长，将迫使全球粮食产量增加 59%～98%（Valin et al., 2014）。由于可用于耕种的土地有限，因此需要技术进步来对现有的粮食系统进行整体改善，以提高效率，而提供气象信息对于继续优化生产则是至关重要的。
天气信息如降水概率、温度等，是作物模式的基本信息。例如，作物模型“农业技术转让决策支持系统并行版本”（Parallel version of the Decision Support System for AgrotechnologyTransfer, pDSSAT； Elliott et al., 2015），使用每日天气数据和农场管理信息，检查农业系统的状态，提供监测作物生长的框架，确定问题区域和补救措施，并协助建立一个基于机器学习的综合监测系统，将遥感和作物模式输出相结合。气象系统可以向这些作物模型提供天气和气候信息，同时，天气和气候模型也可以为预测作物生长提供有用的信息。反过来，作为农业组成部分的土地利用调整，也在改变天气和气候，而这也应该体现在天气和气候模式之中。本节对这些方面的关联以及粮食、能源和水之间的综合联系进行了论述。
b. 卫星数据在农业中的应用
通过更好地监测作物水分等做法，遥感技术有望在粮食安全方面发挥更大的作用（Bastiaanssen and Steduto 2017）。卫星观测系统具有为农业部门提供关键预报和决策支持工具的独特能力。截至 2016 年底，有 374 颗地球观测卫星正在运行（Pixalytics 2017），用于农业和粮食安全的主要传感器可分为多光谱传感器和微波传感器。然而，研发中的高光谱传感器有可能彻底改变遥感对粮食安全的贡献（因为许多光谱指数都集中在窄带上， Harris 2017）。
遥感数据的一个重要应用是监测作物状况、生物物理变量和产量（ Chen et al., 2016；Gitelson， 2016； Hatfield et al.,2008）。光谱指数，是利用遥感进行作物健康鉴定的有效指（Tucker 1979）。近年来，光谱辐射的增长大大提升了潜在的地球物理反演能力，使得大量的作物健康状况可以通过光谱指数得以反映。例如：标准化植被指数（NDVI）的变化与作物吸收的光合有效辐射量之间存在显著的相关性（Viña and Gitelson 2005），因而是纳入生产效率模型的关键指标（Roujean and Breon 1995）。与此同时，遥感技术在识别包括白粉病、白蝇在内的作物病虫害方面也显示出了相当大的价值（Mahlein 2016）。作物模型中，太阳诱导荧光（SIF；Yang et al., 2015）表明光合作用具有基于空间的监测能力（Guan et al., 2015），总初级生产力（GPP； Running et al., 2000）可以指示生物量和碳分配。美国 NASA L 波段主被动卫星 SMAP和欧空局土壤湿度和海洋盐度遥感（SMOS）卫星的土壤水分产品极大地改善了对全球土壤水分的评估。此外，农业用地的遥感信息有助于改进模型在换季期的初始化水平，并有助于约束模型的特性（例如生物量、叶面积、土壤湿度、光合速率），以避免换季带来的影响。 图 1是全分辨率卫星数据的示例。
c. 农业应用模型的开发
大气-水-作物的耦合模型被越来越多地用于农业决策支持系统。目前基于 WRF 中尺度天气预报模式，已开发了耦合作物模型的 WRF-Crop 耦合模型。 WRF-Crop 耦合模型可与遥感数据、陆地数据同化系统和预测系统相结合，以评估作物产量、灌溉需求、并提供土壤温度变化的短期和季节性监测和预测，从而推断天气-水文-作物相互作用对作物生长的影响。决策支持系统可根据这些信息给出相应的对策，这将极大地提高粮食产量，保障粮食安全。
高分辨率陆面数据同化系统（High Resolution Land DataAssimilation System， HRLDAS）利用遥感衍生的土壤湿度和其他地表参数进行基于模型的数据同化，可在农田尺度上生成土壤和作物的物候条件数据（Chen et al. 2007）。目前，在 NASA 资助的农业害虫管理决策支持系统中， HRLDAS 被用于生成实时土壤水分和温度数据（Myers et al., 2006）。
在农田尺度上推动 HRLDAS 的应用，有助于全面优化天气和水文预报。 HRLDAS 融合了数据同化系统和地表过程模式，其底层的基础陆面模式是 Noah-MP 陆面模式，该模式包括了影响水文和植被的许多关键的陆面-大气相互作用过程，可实现地表能量和水转移过程的精确模拟（Niu et al., 2011； Yang et al., 2011）。此外，Noah-MP 考虑了地表水渗透、径流和地下水转移和储存等因素，并能够通过结合光合作用和区分 C3 和 C4 植物的碳分配模型，来预测作物生长（Niyogi et al., 2009；Collatz et al., 1991）。目前，在 Noah-MP 模式中又耦合了作物生长模型，耦合之后的 NOAH-MP-Crop 模型可以提供特定作物生长的土壤条件和产量预测，目前研究人员正在为 NOAH-MP-Crop 模型开发灌溉模块（Liu et al., 2016）。利用从 Bondville （IL）和 Mead（NE）的 AmeriFlux 站点获得的数据，对 Noah-MP-Crop 模型进行的评估，如图 2 所示。其中， Bondville 为非灌溉玉米/大豆轮作站点， Mead 为灌溉玉米/大豆轮站点。与实际观测数据对比后的结果表明，该模型能够很好地反映地表热通量（图 2b）、作物物候的季节演变（LAI， 图 2a） 并进行作物产量预估（图 2c）。目前， Noah-MP-Crop 模型仍在进行作物根系动态模拟和灌溉等方面的功能拓展，在期更好地模拟水分在作物与土壤间的转移和吸收过程。
此外， HRLDAS 还能够整合高分辨率数据，提供有关作物类型和管理及影响作物生长和地表条件的更具体的信息。了解田间当前和未来的水文和天气条件，对于农业决策支持系统至关重要。当前，短期和季节性预报都面临着巨大的挑战，因为当前 NWS 在短期预报中应用的高分辨率快速同化系统（HRRR）和在季节性预报中应用的气候预报系统（CFS）的空间分辨率都过于粗糙，对农业管理具有很大的不确定性。可喜的是， 2016 年 8 月， NOAA 的新一代国家水文模式（National Water Model）正式投入业务应用，该模式可提供 1 公里水平分辨率的流量和土壤湿度预测，最长预报时长可达 30 天，这是向农业部门提供有效的水文信息迈出的重要的一步。
d. 在地球系统模式中模拟农业的影响
作物生长改变了陆地表面特征的季节性演变，这些反过来又影响地表热通量和水通量、空气温度和湿度、降水、土壤湿度和径流以及热浪（Eddy et al., 1975; Barnston and Schickedanz 1984， Changnon 2001； Changnon et al., 2003； Haugland and Crawford 2005； Mahmood et al., 2008；DeAngelis et al., 2010； Alter et al., 2015a, 2018； Chen et al., 2018）。因此，必须将农业因素加入地球系统模型（ESM）之中。为此， McDermid et al（2017） 对农业模型的发展进行了回顾。
ESM 中农业模型的基本功能是模拟与作物生长和管理相关特征的时空变化，这些特征影响大气圈、水圈、生物圈及生物圈内的能量、水和温室气体（GHG）交换，从而反映土地利用变化与气候系统之间的生物地球物理化学作用。这些农业模型的常用策略是预设农业引起的地表特征变化（其目的主要是便于简化和提高计算效率），如反照率、土壤抗性、物候季节演变、植被覆盖、生根深度和土壤蓄水量（Cook et al., 2009； Georgescu et al., 2011； Davin et al.,2014）。近期， ESM 中农业模型取得的进展主要体现在，作物动态生长和伴生的生物物理和生物地球化学过程的模拟方面（Lokupitiya et al., 2009； Levis et al., 2012； Liu et al., 2016），开展的主要工作一方面是将 Ball-Berry 型光合作用模型（Ball et al., 1987； Collatz et al., 1991） 与土壤水文模型及特定作物（如玉米、小麦、水稻等）生长模型相耦合，另一方面是开发这些作物模型所需的特定作物参数。
针对土壤-作物-气候耦合模型的评估，通常是通过实地收集的数据或农业模型比较和改进项目（AgMIP， Rosenzwei et al., 2014） 实现。然而在农业管理中，应用这些模型来满足捕捉大规模农业模式和区域差异的需求，仍然是当今 ESM 面临的一项艰巨挑战。尽管如此，农业管理模型也正在被纳入 ESM 之中，以进一步加强 ESM 中各系统间的相互关联。这些农业管理模型中的灌溉和人类水资源管理模块的复杂程度各异（Leng et al., 2013； Drewniak et al.,2013； Leng et al., 2017），这些新功能模块的不断改进，有助于促进对粮食、能源和水系统之间相关作用的进一步理解。目前，对 ESM 中作物和农业管理模型的开发仍处于起步阶段，很多问题仍有待解决，诸如灌溉对 ESM 模拟区域气候的影响依旧存在很大的不确定性（Kueppers et al., 2007； Sacks et al., 2009）。未来的优先研发事项应侧重于反映农业管理与水系统在不同时空尺度上复杂的相互联系。
e. 灌溉对气候的影响
农业土地覆盖约占全球土地覆盖面积的 40%（Ramankutty et al., 2008），灌溉用水约占世界淡水消耗量的 70％（Boucher et al., 2004； Velpuri et al., 2009），在美国约占其全国淡水总消耗量的 60％（Minchenkov 2009； Braneon 2014）。最近的研究表明， 20 世纪后半期出现的集约化农业与美国中西部地区玉米和大豆产量的增产显著相关（Alter et al., 2018）。与此同时，出现了夏季降雨增多，气温降低，表明农业实践与区域气候之间存在相互关联。耕作、灌溉、畜牧生产和土地覆盖变化等一系列农业实践影响了水文气候过程和生物地球化学循环（Shepherd and Knox, 2016）。
过去的几十年里，与旱作农业相比，灌溉农业显著增长（图 3）。灌溉农业的平均产量约为旱作农业的三倍以上，这是灌溉农业显著增长的原因之一（Schaible and Aillery, 2012）。这种形式的土地覆盖变化具有改变区域气候的能力，近期的研究表明，对于某些地区来说，灌溉对当地气候的影响甚至超过了温室气体（Alter et al., 2018）。
灌溉增加了地表径流量，将入射的太阳辐射转化为潜热，从而增强感热，改变了地表的能量收支。一项长达 12 年的监测显示，灌溉使夏季地表温度平均下降 1℃以内，地表湿度增加 0.52g kg-1（图4， Chen et al., 2018），由图4可知，实施灌溉后，尽管玉米和大豆的潜热通量均增强，但由于两者的表面感热通量的变化不同，因此，玉米的灌溉降温效应比大豆更为明显，且持续时间也更长。
最先响应感热增强的是地表温度。灌溉区温度的变化主要体现在最高温度、最低温度以及露点温度的改变上（Geerts 2002； Adegoke et al., 2003； Boucher 2004； Kueppers et al., 2007；Lobell and Bonfils 2008； Cook et al., 2014）。此外，最近的文献表明，灌溉不仅影响极端温度，还可改变灌溉区的降水，使得降水通常在灌溉区的下风向处增强（Barnston and Schickedanz，1984； DeAngelis et al., 2010； Sen Roy et al., 2010； Harding and Snyder， 2012； Alter et al., 2015b；Pei et al., 2016； Williams 2016）。目前的文献认为，灌溉会显著改变陆表，影响地表能量收支、水循环以及气候（Cook et al., 2015）。有了这些启示，有学者指出今后的工作需侧重于在下一代气候模型中准确反映灌溉的影响，以便更好地进行历史和未来的气候归因研究（Alter et al.,2018）。
f. 粮食-能源-水的关系
2011 年世界经济论坛关于全球风险的报告，清楚地阐明了粮食和水供应以及能源生产之间存在着复杂的相互依存关系。并预测到 2030 年，粮食、水和能源（FEW） 的需求将大幅增加，增幅分别达到 50％、 30%和 40%。 Shepherd et al.（2016） 认为大部分需求是由人口增长和城市化推动的，这表明未来几年， FEW 相互作用、农业和城市化将是学者面临的主要挑战。
FEW 纽带关系（FEW nexus） 是对粮食、能源和水相互作用的多种方式的一种概念化。投入能源和水用于生产、加工、分配和消费粮食。与此同时，能源的生产又取决于水的供应，而水的供应和使用又需要消耗能源。他们之间的关联十分复杂，且在区域上因气候、经济活动、人口和土地利用的差异而不同。天气和气候变化影响着 FEW 纽带关系中的诸多环节，更好地预测这些影响有助于更有效地协调这些活动。
为了更好地满足 FEW 纽带关系中所有相关行业对应用气象的需求，需了解这种关系的本质、区域特征及其演变过程。一方面，全球能源部门正在进入快速转型期，特别是电力行业结构的调整——风能、太阳能和其他可再生能源在全球电力行业的发电比例将越来越大（DOE 2015； IEA 2014， 参见应用气象系列第 2 部分—Haupt et al. [2018]）。另一方面，国家粮食、能源和水系统的其他组成部分也在发生显著变化。如全球化对粮食市场的影响愈发显著（Brown et al. 2017），全球气候变化在可预见的未来将对农业系统和水资源产生重大影响等（ IPCC 2014）。
尽管水文气候因素是 FEW 纽带关系中每个节点的隐含性组成部分，但在构建 FEW 框架时，常常忽略了水文气候因素及其与土地利用、温室气体排放、资源管理及其他因素的关系（Villamayor-Tomas et al. 2015）。诸如世界银行等组织通常都建有与气候、能源和农业有关的国家关键指标数据库，其设置的指标包含二氧化碳排放量、粮食产量、改善性水源及城镇人口百分比等。但为了更全面地考量水文气候因素在 FEW 纽带关系中的作用，仍不断有学者提出新指标以丰富现有的指标体系，如 Shepherd et al.（2016） 提出了人均降水量指标（precipitation-per-person， PPP）（图 5）。制定此类指标的目标是根据水的供应情况、人类营养需求及面临的能源限制， 揭示人均耕地面积，同时评估农业系统对水文气候变化和极端事件的脆弱性。
在考虑粮食与能源和水的关联时，面对天气与气候时表现出的脆弱性，存在显著的区域性差异。灌溉在支持美国干旱和半干旱西部地区的农业生产方面起着重要作用，也是这些地区最主要的用水形式。在其他的作物产区灌溉同样也发挥着重要的作用，特别是在美国东南部和中南部的部分地区，补充灌溉比单独依靠降雨更能保障粮食产量（图6）。
加州作为美国农业生产的重要产区，其灌溉用水量尤为巨大，根据美国地质调查局的报告， 2010 年其（在最近连续几年的极端干旱发生之前）灌溉用水量为 2580 万亩呎（亩呎为灌溉水量单位，相当于 1 英亩地 1 英尺深的水量， 1 亩呎=1233.5 立方米），而其公共用水量和工业用水量仅约为 750 万亩呎。此外，西部其他几个州的灌溉用水量占本州总用水量的比例也较高：科罗拉多州 89%，爱达荷州 81%，蒙大拿州 94%（Maupin et al. 2014）。这些地区严重依赖山地积雪来调节季节性水资源，这加重了干旱和气候变暖对这些区域灌溉农业生产的威胁。
此外，美国东、西部地区在电力生产用水方式以及行业耗水百分比等这些涉及 FEW 纽带关系的其他方面，也存在显著差异（图7）。与东部各州不同，西部电力公司受水资源的限制，通常采用耗水量较少的发电技术，如冷却池、循环系统和干式冷却塔等技术（Averyt et al., 2011；Cooley et al., 2011； Fisher and Ackerman 2011； Kenney and Wilkinson 2011）。此外，西部大部分的水力发电站都是径流式水电站， 或水坝储量有限，因此对干旱和季节性径流模式的改变也十分敏感（Gleick, 2015）。
随着气候变化的进一步发展，超越了农业与气候之间物理联系的新一代应用正在出现。Chen et al.（2016） 开发了一个基于天气，预估作物产量的经验框架； Burke and Emerick（2016）为了了解未来风险，研究了美国农业活动中的适应性实践； Alteri and Nichols（2017） 从增强风险抵抗力和提高农业生产力的角度出发，探讨了传统农业生态策略（生物多样性、土壤管理和集水）如何应用于农业生态系统的管理和设计。这些方法均体现了应用气候学如何发展，以应对 21 世纪的挑战。鉴于 FEW 纽带关系中各部分相互联系的复杂性及其对气候变化的敏感性，清楚地了解 FEW 纽带关系的本质和动态变化尤为重要，而这需要多学科和利益攸关方的通力合作来促成。
3. 在空间天气中的应用
太阳上出现的耀斑和日冕物质的抛射等剧烈活动，给地球磁层，电离层和中高层大气，卫星运行和安全，以及人类健康带来严重影响和危害，以及通讯损坏。人们把这种由太阳活动引起的短时间尺度的变化，称之为空间天气。对太阳磁场的表征、监测和模拟是推动太阳-地球系统研究不断前进的关键驱动力，也是空间天气研究面临的最重大的挑战。
对太阳磁场和极端太阳活动的早期研究在很大程度上依赖于其对地球大气产生的相关影响（Birkeland, 1914）。事实上，许多最终被确认为属于空间天气范畴的调查都起源于第二次世界大战期间军事活动的战时需求，当时轴心国和盟国都部署了非常先进的观测技术，以进行电离层失真预警（参见 Hufbauer 1991； de Jager 2002）。在当时，监测太阳风暴的主要探测装置是由法国天体物理学家 Bernard Lyot 发明的日冕仪（Lyot 1939）。
第二次世界大战之后，随着火箭、太空和卫星时代的到来，人类对太阳-地球系统的了解与日俱增： V2 火箭载带的光谱仪对太阳日冕及其属性的测量结果显示，与温度高达 1 百万 K的高电荷粒子云一致（Grotrian 1939； Edlen 1945）；“太阳风”的预测（Parker 1958），并最终被俄罗斯 Luna 1 卫星探测到，和随后展开了水手系列探测任务（Mariner mission measurements）（Neugebauer and Snyder 1962）；由轨道太阳天文台（Orbiting Solar Observatory, OSO）和太空实验室提供的大气湍流和（光子）吸收之外的观测环境，使空间天气词典增加了一个新名词——“日冕物质抛射”（CME）（Hansen et al. 1971； Tousey and Koomen, 1972）。
空间天气预报（SWx）的本质是表征和预测不断变化的环境。当前 SWx 的主要挑战体现在：（1）一旦喷发事件发生（由于光传播到地球需 9300 万英里，因此从地球上看到喷发事件需要 8 分钟），人们就需要与时间赛跑，以估算通过太阳系的扰动路径，包括：确定扰动与地球轨道的交点；估计到达地球的时间；估计行星际激波规模（CME 比背景介质的行进更快）；估计扰动的磁极化（因为扰动中的反平行磁场将直接耦合到地球的保护性磁层中）。这听起来与飓风预报类似，但由于缺乏对太阳风（扰动传播的背景）驱动和填充机制的了解，以及缺少估算扰动极化的观测基线，使得这些预报技巧存在基本的局限性，因而 SWx 的当前范式常被认为是“马后炮”式的。（2） SWx 的替代性、预测性方法并不真正存在！对于绝大多数的SWx，除了更广泛的太阳系研究外，太阳耀斑、 CME 与地震一样“本质上是不可预测的”。尽管如此，人类也不能停止对 SWx 的研究，因为人类保护空间和对流层的关键基础设施以及探索太阳系的未来，都需要在 SWx 中发展相当多的预报技巧，使其可预测太阳事件和陆面影响，而这种探索不应成为“无资金支持的任务”。
卫星时代的到来，使我们有能力从低地球轨道的有利位置研究整个大气层，进而加速了预报对流层天气的重要预报技巧的发展（Wexler 1962； Lorenz 1973）。确定和描述局地规模尺度天气现象的全球尺度驱动因素，并发展驱动因素的可预报性，使天气现象的预报工作取得了更大的成功。当前，对 SWx 的研究正处于 70 年前太空时代初期的地球气象学相似的研究阶段，因为当前 SWx 的研究受到了单一“当地时间” 视角的限制。我们的观测基线只关注太阳-地球线。坦率地说，我们对太阳系大气层的了解程度，是我们大部分问题的根源所在。
太阳磁场是产生空间天气的根本原因。事实上，太阳磁场驱动着恒星尺度上的大部分变化，因此，对秒到千年时间尺度上不断变化的磁场特征的表征，在范式上类似于我们在地球大气研究中对“天气”和“气候”的表征。太阳的巨大规模和遥远的太阳-地球距离使 SWx 问题，以及空间天气归因研究，成为一个深刻的遥感挑战——在 9300 万英里外捕捉光子和粒子（Schwenn, 2006； Schrijver et al., 2015）。对于 SWx 来说，最重要的是表征太阳系整个大气层的磁场特征（del Toro Iniesta and Ruiz Cobo, 2016）。 太阳矢量磁场通过一个被称为“太阳发电机效应”（solar dynamo）的过程，可在太阳的不透明内部累积变得可见，从而可以利用量子力学效应和偏振辐射测量测得（Charbonneau 2010， Hathaway 2015）。
太阳磁场变化显示出诸多时间周期特征，其中太阳黑子的 11 年周期最为突出。太阳黑子是强磁场集中的一种表现， 带来耀斑、 CME 和最活跃日珥——也就是最危险的太空天气事件。冕洞是空间天气中另一个更隐蔽、更神秘的组成部分。冕洞与开放磁场线的单极强度有关，这里的磁场向外延伸，进入太空（Timothy et al., 1975），冕洞是“快速太阳风”的来源（Krieger et al., 1973）。太阳风可分为低速风（200～500km/s）和高速风（>500km/s）两种状态。前者实际上是低速状态的连续体，低速风的差异可通过其包含的等离子体的成分的差异来量化（Hundhausen 1970）。太阳的静止区或活跃区都可能产生低速风，如何理解低速风的物理起源、加速过程及其成分构成是当前最主要的挑战，此外，高速风的快速加速及对其明显不同的组合特征的表征同样也是人类面临的挑战。
在建立“太阳风路线图”时，等离子体的背景环境，同存在其中的扰动一样，于我们而言，也是一种挑战。而且从某种意义上说，这更为关键，因为任何科学家都知道初始条件对数学或数值问题的影响。你能想象当所有背景环境变量的精度都不超过 50%时，成功预测飓风特征的可能性吗？那是不可能的！在 SWx 如今的挑战中，存在许多预报“决策点”（decision points），因为在很大程度上，业务实践依赖于从传统观测手段那里获取的经验（来做判断）。
我们必须迎接这些挑战！根据最新发布的美国《国家空间天气战略》， SWx 不仅应具备保护关键的地基和空基基础设施的能力，还应具备保护未来人类探索太阳系的能力。该战略旨在减少/或消除物理挑战和预报决策点的缺陷。对太阳风背景值、 CME 和日珥磁极化等的观测都与信息技术、数据同化以及过去几十年太阳-地球物理学界广泛开发的一系列数值模拟技术密切相关。
对未来空间天气的探索（以及提高预报技巧）的真正关键是对太阳大气层磁场分布的全面描述——我们必须利用气象学界开发的观测工具和方法，将太阳大气层作为天气系统进行研究。早期研究表明，地球大气与太阳大气之间存在强烈的类比，研究还从太阳磁力的持续纵向模式的角度，提供了太阳活动的总体可预测性的见解（McIntosh et al., 2017）。
在 SWx 的地面部分，正在部署观测平台，通过 GOLD 和 ICON 任务，以探测磁气圈、辐射带和电离层（Eastes et al., 2017， Immel et al. 2018）。这些任务获得的数据及开发的数值模型将提供关于“自上而下”（来自太阳）和“自下而上”（来自对流层）的对磁性和热力学之间电离层界面的影响的关键见解。加深对电离层的物理学认识，对于提升该区域的预测技巧十分关键。
人类社会对耦合的太阳-地球系统的高技巧和高精度空间天气预报的需求不会减少。 随着我们对技术的社会依赖性不断增加，这将促使我们比以往任何时候都更需要加深对恒星及其与我们星球的持续联系的了解。
4. 在野火管理中的应用
野火是自然环境的组成部分，对维持健康的生态系统至关重要，但也经常具有破坏性，影响自然资源，威胁人类生命和财产，降低空气质量，导致土壤侵蚀和洪水，并可能影响天气和气候。基于作为木炭保存的植物化石，野火的最早证据可以追溯到 4 亿多年前的志留纪。纵观整个地质历史，野火的频率及强度与大气中的氧气水平（Watson et al., 1978） 以及可燃物来源有关。气象学在野火管理中的应用，贯穿野火管理发展的全过程。学术界公认，美国的野火管理政策始于 1910 年的一场被称为“大爆炸”（Big Blowup）的危及三个州（华盛顿、爱达荷和蒙大拿）的过火面积达 12,100 平方公里的森林大火。这场野火的破坏性影响导致美国林业局出台了野火控制政策（Pyne, 1982）。为了更好地进行野地灭火和野火管理，需要深入了解野火的发展过程，并更好地了解野火与天气和气候之间的相互作用和反馈。在过去一百年中，气候学、气象学和天气预报取得的进展，使得野火的可预报性也取得了相应的进步。如今，野火和大气环境耦合模型的发展，使预测极端火灾的发生和传播成为可能，而这些准确的预报，为开展有效的野火管理提供了必要的信息。
火的点燃和传播需要可燃物、氧气和热量，这三个基本组成部分都与环境条件有着内在的联系，因而也与大气有关。野火中点燃可燃物所需的热源通常由闪电提供，区域气候条件（通常影响可燃物的含水量）、地形和土壤类型则决定了哪些可燃物在指定区域占主导地位。大气中的氧气是燃烧所需要的氧化剂，大气环流的湍流混合为野火的燃烧提供持续的氧气供应。风、相对湿度、降水、云量、太阳辐照度等大气条件都会影响野火的蔓延。反过来，野火通过改变地表感热通量和潜热通量、水汽通量、气溶胶负荷以及对流上升气流，直接或间接影响大气条件，从而导致风和烟雾弥散模式以及辐射传递的改变。因此，野火和大气条件形成了一个复杂的非线性耦合动力系统，其反馈控制着野火的蔓延。
早在 1919 年美国气象学会成立之际，美国就有了关于野火对天气影响的记录，当时还无法对这些影响进行详细的定量分析。当时的研究主要是对加利福尼亚州（Carpenter 1919） 和夏威夷（Reichelt 1919） 的大型野火引发的对流云的观测，以及对 19 世纪中叶在野火中积云引发的降雨事件的调查（Espy 1919）。
闪电是引发野火的重要原因之一，尤其是在美国西部（Abatzoglou et al., 2016， EcoWest 2013）。在人口稀少的偏远地区，干性闪电（即没有降雨的云地闪电，其发生主要取决于高空的稳定性和低水平的大气含水量（Rorig and Ferguson, 1999））诱发的野火往往会引发严重的森林大火，导致大面积的土地燃烧。通过对风暴过后闪电出现的空间位置进行表征，可作为进行野火防控管理的重要参考依据，此外，雷电是否会引发野火，则取决于诸如可燃物含水量以及天气条件（风速， 温度和湿度）等环境因素。最近的研究表明，气候条件是整个美国西部地区控制燃烧过火面积的主要控制因素。由于固有的时空随机性以及其他相关的不确定性，雷电及其点火潜力预报，成为野火模拟和管理面临的最大挑战之一。
耦合野火-大气系统的复杂性对开发有效的野火管理系统提出了重大挑战。野火决策支持系统将观测和观测衍生的数据产品以及预测模型结合在一起，其数据库包含雷击数据、可燃物数据以及气候和天气数据等各种类型的数据（Wildland Fire Decision Support System, 2018，Calkin et al., 2011， Wildland Fire Assessment System 2018， Jolly and Freeborn 2017）。美国林业局（USFS）开发的野火评估系统（WFAS 2018， https： //www.wfas.net），提供了一系列与火灾易发性和潜在危险相关的信息，包括：火灾危险等级、 Haines 指数（HI, Haines 1988） 和干性闪电地图。 WFAS 可基于国家数字预报数据库（National Digital Forecast Database）的数据，进行火险预报。其中， HI 指数是一个运用广泛的、基于对流层低层气象条件的火险气象指数，它可以检测烟团主导的山火演变成森林大火的可能性。干性闪电地图则是通过将国家气象局（NWS）先进水文预报业务（AHPS）生产的日降雨量数据与闪电密度网格（基于每日云对地雷击数据）相结合而绘制的（Cummins et al., 1998）。
可燃物的含水量是控制野火引燃和扩散的重要参数，因此，准确估算枯死可燃物和活可燃物的含水量对于准确评估野火发生风险和蔓延至关重要。枯死可燃物按时滞（即可燃物失去最初含水量和平衡含水量之差的 63%的水分所需的时间），可划分为四个等级： 1 时滞、 10时滞、 100 时滞和 1000 时滞。枯死可燃物的含水量仅取决于环境条件。除了直接估算可燃物的含水量外，还可通过生长季节指数（Growing Season Index, GSI）、归一化植被指数（NDVI）、Keetch-Byram 指数（Keetch and Byram 1968） 和 Palmer 指数（Palmer， 1965） 对野火可燃物进行评估。
火情危险等级的评估主要是基于广泛的环境观测， 而是否能进行有效的野火防控则依赖于准确的野火蔓延预测。 20 世纪 70 年代早期，计算能力的提高促进了高分辨率 NWP 和第一代有限区域模型的发展（Mesoscale Model， Anthes and Warner, 1974; 1978）。这些发展恰逢利用数值模式模拟野火火势蔓延的第一次尝试（Sanderlin and Sunderson, 1975； Sanderlin and Van Gelder, 1977）。模拟野火火势需要发展野火蔓延数学模型，目前仍广泛使用的一种模型是由Rothermel（1972） 开发的。根据 Rothermel 模型，野火的蔓延除了与可燃物填充率、可燃物床层堆积密度、可燃物负荷量、可燃物矿物质含量以及可燃物发热量有关之外，还取决于风速、地形坡度和可燃物含水量。目前人们使用最广泛的野火蔓延模型大多是以 Rothermel 模型为基础构建的，这些野火蔓延模型将火蔓延模式与环境条件信息相结合，以更好地理解和预测火势的发展。野火蔓延模型的有效性不仅取决于是否可以准确地表征火势控制的物理过程，还与能否准确描述可燃物类型和含水量密切相关。因此，准确、高时空分辨率的可燃物类型表征对于野火蔓延预测至关重要。美国采用 Anderson（1982） 模型和 Scott and Burgan（2005）模型对可燃物进行分类，目前 Scott and Burgan（2005） 模型已将原来按 Anderson（1982） 模型确定的 13 种可燃物类型扩展到 40 种。 Keane（2015） 全面总结了野火可燃物的类型、概念及相关应用，包括可燃物的取样、绘图和处理。
Sullivan（2009a， 2009b 和 2009c） 对自 1990 年以来开发的野火蔓延模型进行了广泛的回顾。 Sullivan 根据数学模型的结构特征和方程类型将模型分为：物理和准物理模型、经验和准经验模型以及仿真和数学模拟模型。此外，依据是否（与大气体统） 耦合，可将野火蔓延模型分为非耦合型模型和耦合型模型。非耦合型模型不具备表征大气条件动态变化的功能，只能依靠本地监测和天气预报或离线大气模拟来获取预测火势发展所需的环境条件，因此它不能解释燃烧过程释放的热量对燃烧前沿大气流动条件的影响（燃烧释放的热量引起的对流循环，可导致局部大气运动的显著改变并可能增强火势蔓延；此外，对流羽流可增强火势，使其可以沿着风向引燃下风向地面的可燃物（Albini, 1983； Martin and Hillen, 2016））。耦合型模型则包含了燃烧前沿和大气条件之间的反馈，因此可以更准确地表征和预测火势的发展。由于耦合型模型的复杂程度更高，因此其对计算能力的要求也更高。
耦合型模型可以进一步划分为火蔓延模型（如 Rothermel 模型）和元素模型。与火蔓延模型相比，元素模型的分辨率更高，网格尺寸为几米甚至更小，因此常被用来研究理想条件下的野火蔓延过程。 FIRETEC 模型（Linn 1997， Linn et al.2002） 和荒地-城市界面火灾动力学模拟器模型（Wildland-Urban Interface Fire Dynamics Simulator, WFDS， Mell et al.2007） 是两个最具代表性的元素模型。 FIRETEC 模型利用一套简化的反应式来反映复杂的野火燃烧过程（Linn 1997）， Linn et al.（2002） 通过将燃烧过程简化为单一的固-气反应，进一步简化了该模型。 FIRETEC 模型要求单元网格的尺寸不超过 1 米。 WFDS 模型是美国国家标准与技术研究所建筑与火灾研究实验室开发的火灾动力学模拟器（Fire Dynamics Simulator, FDS）的扩展（McGrattan et al., 2017）。与 FIRETEC 模型相比， WFDS 模型通常用于单元网格尺寸为几米的分辨率略粗一些的模拟。
由于耦合型模型的空间分辨率要求过高，限制了其模拟的火灾规模不能过大。尽管如此，当与观测相结合时，经过验证的高分辨率模型是更好地了解野火发展过程，并为投入业务应用的野火蔓延模型开发更优的蔓延参数的不可或缺的工具，这些模型还可用于可控性燃烧的规划和可燃物管理。
耦合型模型可作为野火防控决策支持系统的组成部分，它通常依赖于基于 Rothermel 模型或类似模型的野火蔓延的参数化（即经验公式）。大气-野火-环境耦合（CAWFE）模型（Clark et al., 1996） 就是这类耦合模型的一种。在 CAWFE 模型中， 研究人员将 Clark-Hall 云尺度模型（Clark and Hall, 1991） 与 Rothermel（1972） 模型和 Albini（1976） 实验确定的可燃物燃烧率进行了融合。最近， CAWFE 模型被整合至了 WRF 模式中（Skamarock and Klemp 2008），生成了 WRF-Fire 天气-野火耦合模型（Mandel et al., 2009； Coen et al., 2013；如图 8）。尽管人们已经认识到，有效的野火防控决策支持系统，需具备将天气预报与火势蔓延预测相结合的能力，但目前具备这种能力的系统尚未投入业务应用（Sun et al., 2009），天气-野火耦合系统的复杂性、所需的高分辨率数据、相关的不确定性以及必要的计算要求都阻碍了对其的开发。
目前， 投入业务应用的野火防控决策支持系统均使用的是非耦合型野火蔓延模型，因此非耦合型野火蔓延模型决定了目前野火防控决策支持系统的核心预报能力。 当前，一些广泛使用的非耦合型模型包括：美国的 FARSITE 模型（Finney 1998，）、 BehavePlus 模型及其前身BEHAVE 模型（Andrews 1986, 2014）；加拿大的 Prometheus 模型（Tymstra et al. 2009）、澳大利亚的 Amicus 模型（Plucinski et al., 2017） 以及 SYPYDA 模型（Mitsopoulos et al., 2016） 等。非耦合型模型能够以有限的计算资源实时提供野火的火势预测，其预测火势所需的环境数据来自于诸如美国气象环境预报中心（NCEP） 等机构提供的天气预报、当地观测的天气数据或依靠降尺度天气预报生成的风场等（Forthofer et al., 2014a， 2014b）。
值得提出的是， 耦合型和非耦合型野火蔓延模型都需运用到火头跟踪算法，但基于的原理各有区别：如 FARSITE 模型和 Prometheus 模型采用了惠更斯波传播原理（Huygens, 1690），CAWFE 模型采用了拉格朗日示踪粒子算法（Clark et al., 2004），基于 Meso-NH 中尺度模式的天气-野火耦合模型采用了标记法（Filippi et al., 2009），而包括 WRF-Fire 在内的几种模型则采用了水平集（Level Set）法（Mandel et al., 2009）。 Bova et al.（2016） 发现在同一代码中标记法和水平集法之间存在细微差别， Muñoz-Esparza et al.（2018） 证明了通过实现水平集平流的更高阶方案和水平集重新初始化算法，可以显著降低火势蔓延预测的误差。
为野火防控建立有效的决策支持系统是一项重大挑战，不仅需要经常更新表征环境和可燃物条件的高分辨率数据，也需要利用高分辨率的数值模型对野火蔓延情形进行预测。对于有可能引发重大火灾的大规模、且破坏性巨大的野火，需利用大气野火耦合模型对其火势蔓延情况进行预测。虽然人类在理解和模拟野火火势发展方面取得了重大进展，但对其基础物理过程的理解还尚存差距，再加之计算能力的限制，使大气野火耦合模型仍未被投入业务应用之中。自 Finney et al.（2013） 确定提出，需建立一个综合的野火蔓延理论以来，学界已经在阐明浮力火焰动力学在野火蔓延中的作用方面取得了进展（Finney et al., 2015）。然而，只有通过研究野火与大气条件之间复杂的非线性反馈，才能建立综合的野火蔓延理论，并通过识别和量化这种复杂耦合系统固有的不确定性，才能建立有效的野火管理决策支持系统。为了实现这一目标，需要从野火和计划火烧中收集高分辨率和高质量的数据。
5. 人工智能在应用气象学中的应用
a. 人工智能的兴起
计算技术的进步促进了现代人工智能（AI）的发展。 1950 年，艾伦•图灵发表了一篇论文，探讨是否可以训练机器思考， 并提出一项测试，询问者是否可以区分答案出自于机器亦或是人类（Smith et al., 2006）。 1956 年， John McCarthy 在达特茅斯召开的一次汇集了诸多顶级研究人员的会议上提出了 AI 这一概念，以推进机器模仿人类思维这方面研究的发展（Smith et al.2006， AAAI 2017， KDnuggets 2017）。尽管在那次会议上取得的进展比先前期望的要少，但它却促使了在接下来的几十年间，科研资金源源不断地流向该领域，以推动该领域的发展，特别是在语言的机器翻译领域（Pooleand and Mackworth 2017）。不幸的是，接下来的连续失败和预期目标的落空让赞助者感到失望，于是他们停止了拨付资金。由此，从上世纪 80 年代开始，美国进入了“AI 严冬期”。自此之后，有近二十多年来 AI 领域很难获得资金支持。为了破解资金难题，赢得支持，此后又提出了许多新概念如机器学习、信息学、模式识别、基于知识的系统等来代替 AI 以便获得资金支持（Smith et al., 2006）。然而，随着 1997 年 IBM 开发的超级国际象棋电脑“深蓝”击败国际象棋冠军 Gary Kasparov，人们对 AI 的兴趣又死灰复燃（Smith et al. 2006），资助机构重新开始关注该领域。
在 AI 领域发展的繁荣时期，环境科学家开始编写一种可对多来源信息进行整合，并做出逻辑判断的专家系统。 1987 年 3 月出版的《大气和海洋技术》（ Atmospheric and Oceanic Technology）特刊（第 4 卷，第 1 期） 对当时开展的工作进行了详细地介绍，如：对流风暴预报（Elio et al. 1987）、雷达观测的低水平风切变的识别（Campbell and Olson, 1987），模式识别在预测中的应用（McArthur et al. 1987）。
环境科学有的许多问题可以通过智能技术加以改进，这些进展的取得与 NWP 和 AI 的出现同步。通过历史数据的多元线性回归，利用模式输出的统计数据对当前的预报进行“学习”修正，可以改进 NWP（MOS – Glahn and Lowry 1972）。这些技术也可以通过规范相关分析，从而及时应用于预报训练（von Storch and Navarra 1995）。在动力学模式分解（Selton 1997）和应用马尔可夫过程理论构建随机预报系统方面，研究人员开始建立以这些本征模式为基础函数的模型，并利用结果来识别依赖于时间的主振荡模式（Principal Oscillation Pattern, POP，Hasselman 1988, Penland 1989, Penland and Ghil 1993, von Storch et al. 1995, Branstator and Haupt 1998）。这些模型被证明其预报结果与物理过程一致（Penland and Magorian 1993， Penland and Matrosova 1998） 并可以更好地响应施加的强迫（Branstator and Haupt 1998）。
上述混合统计方法开始援引机器学习的原理。例如，当对特定地点进行预报时，预报员通常会研究各种模型的输出，并利用他们的经验和直觉，根据当前的天气情况，综合信息，对各个模型进行加权，并根据经验纠正模型输出。 20 世纪 90 年代中期，天气频道（Weather Channel）等公司决定将其业务扩展到国际，这意味着需持续提供预报的地点数量将超出预报员的能力。因此，他们与美国国家大气研究中心（NCAR）合作，设计、测试和部署计算机系统，以实现这一目标，而动态集成预报系统（Dynamical Integrated forecast, DICast®）便是合作的主要成果。 DICast 可提取多个模型的输出，并应用两步法加以混合优化（Myers et al. 2011；Mahoney et al. 2012）。首先，使用动态版本的 MOS 消除每个模型的偏差；其次，采用梯度下降法进行权重优化，从而使得输出结果与输入模型的各个特定地点时段的参数性能密切相关。与 MOS 一样， DICast“学习”历史观测和预报中的信息，并进行动态更新。虽然 DICast 在过去二十年间不断发展，但它仍被一些最著名的天气公司用作主要的后处理引擎。 DICast 是从统计应用向 AI 过渡的第一批预报系统之一。
一些统计领域的研究人员开始更广泛地研究适用于其研究领域的 AI 方法，许多进展开始偏离专家系统的方法，转向直接从数据中学习。神经网络法便成为一种主流的方法。Krasnopolsky et al.（1995） 使用神经网络法从微波成像仪中获取风速； （Gardner and Dorling 1996） 回顾了神经网络的发展以及如何将其应用于大气科学领域（如模式分类、预报和函数逼近）； Hsieh and Tang（1998） 描述了如何克服神经网络在气象和海洋学预报中面临的困难；（Marzban and Stumpf 1996） 使用神经网络来诊断可能导致龙卷的大气环流；其他的研究则更倾向于优化方面。在同一时期， Haupt（1996） 开始探索当维度发生改变时，如何用遗传算法来解释马尔可夫模型中特征函数的变化。
为了推进这一领域的发展， AMS 科技活动委员会下设的环境科学人工智能应用委员会（AMS Committee on Applications of Artificial Intelligence in the Environmental Sciences）自 2001年以来举办了多次短期培训，这些培训教程被统编在 2009 年出版的《环境科学中的 AI 方法》一书中。与此同时，该委员会还定期举办人工智能预报竞赛，这些培训和竞赛旨在鼓励该领域向更深入和更广泛的方向发展 。 2014 年 ， 当委员会求助于Kaggle 竞赛网站（https://www.kaggle.com/）主办比赛时， Kaggle 网站的开发人员囊获了前三名，而他们均采用了渐进梯度回归树（Gradient Boost Regression Tree, GBRT）的技术，这促使气象学界开始关注并使用这些技术。
b. AI 在应用气象学领域的应用现状
1）天气预报
随着更高分辨模式的出现，新观测仪器的部署以及更多遥感方法的实施，观测数据开始迅猛增长，人类越来越不可能吸收和整合这些数据所包含的所有信息。因此，基于数据的天气预报技术成为 AI 在环境科学中最普遍的应用之一。 McGovern et al.（2017） 回顾了应用于天气预报的 AI 方法类型，并提供了一些近期成功应用于高影响天气预报的范例。渐进梯度回归树技术（GBRT）被证明是预报风暴持续时间、强风（Lagerquist 2016） 和强雹（Gagne et al.2017） 的一种最准确的方法，其另一个重要应用是利用众包数据和物理模式对降水进行分类（Elmore and Grams 2016）。除此之外，运用 AI 技术进行天气预报还有很多种方法，这里无法一一回顾。
正如 AMS 100 年专著系列应用气象学部分第二章所讨论的，已有针对指定用户需求的定制应用出现（Haupt et al. 2018）。这些定制应用的成功，依赖于与最终用户的沟通以及用户信任的方法的开发——不仅要求准确性，还要在结果的输出方面达成一致。 McGovern et al.（2017） 提供了一个应用于航空湍流预报的例子。在推进基础科学发展的同时，多种技术的融合共同满足了这些需求（Williams 2009， McGovern et al. 2014）。除了此之外，空气污染气象学领域也有成功的应用示范。 Gardner and Dorling（2000） 证明神经网络的表现比线性回归以及分类回归树更好； Pelliccioni and Gariazzo（2003） 将神经网络和扩散模型耦合，以优化扩散模型的重要变量，此后 Pelliccioni and Tirabassi（2006） 将这些耦合模型应用到传统的观测数据集，并显示出对数据集具有改进的效果。
AI 一直是预测海平面变化和海岸效应等事件的一种常用方法。 Hsieh（2009） 描述了如何使用基于神经网络的非线性主成分分析法来分析潮汐数据。 Tissot et al.（2002） 和 Cox et al.2002） 整合神经网络和统计方法，以预测大气强迫占主导时，墨西哥湾微潮浅水区的水位。Collins and Tissot（2015） 使用人工神经网络（ANN）来预测南德克萨斯州的雷暴。 Roebber et al.（2003） 将一组集合的神经网络应用于雪密度的预报和诊断，随后该技术作为国家降雪指导的一部分，在 NCEP 得到推广。 McCandless et al.（2011） 比较了多种预测降雪的 AI 方法，并发现有很多方法可以改进降雪预报。 Jin et al.（2008） 将进化遗传算法与神经网络相结合，形成遗传神经网络（GNN），并将其用于台风强度的集合预报，研究显示该方法可克服过拟合问题。
2）概率预报
当前的概率预报方法主要是运行 NWP 的集合预报，通过对包括初始条件、边界条件、物理参数以及基本模型动力学等的干扰，来量化不确定性。该方法需要消耗大量的计算资源，特别是需运行足够数量的集合成员以跨越不确定性空间。目前，可处理多个 NWP 系统和多套历史数据的 AI 方法已经出现。 Krasnopolsky（2013） 回顾了利用神经网络集合多个应用的方法，他将非线性方法与线性方法进行了比较， 显示使用非线性方法显著改进了多个变量。
另一种生成 AI 集成的有用技术是进化编程技术（Evolutionary Programming, EP）。 Roebber（2015a） 使用 EP 方法进化集合，证明可以获得比 21 成员业务集合预报系统更小的温度均方根误差和更好的 Brier 技巧评分。 Roebber（2015b, 2015c） 随后的研究表明，这种方法在最低温度预测方面也取得了成功，并证明了自适应方法的进一步改进。
Delle Monache et al.（2011, 2013） 已证实， 加入相似集合（AnEn） 的准确度和可靠度与大量成员构成的集合预报系统相同。该方法利用具有相应观测结果的单个高质量模型进行模拟：针对每次预报，均搜索最接近的历史预报，然后， 相似预报对应的观测结果形成一个集合。这种方法已经被应用于风场（Alessandrini et al. 2015a， Haupt and Delle Monache 2014）、太阳能（Alessandrini et al. 2015b， Cervone et al. 2017） 和空气质量（Djalalova et al. 2015） 等方面的预报。当前的研究表明，这种方法也可以应用于网格化预报（Sperati et al. 2017）。这是AI 的一个新应用，它可以减少对庞大计算资源的需求，由此便可以实现在更频繁地运行更高分辨率 NWP 的同时仍然进行概率预报。
3）气候应用
从长远来看，理解、预测和解释气候的影响因素是 AI 的一个重要应用。 AI 可以完成全球气候模型（GCM）未来发展所需达成的一些任务。如 Pasini（2009） 描述了如何通过适当的数据训练，利用神经网络有效地将数据从 GCM 降到局地尺度。 Hsieh（2009） 及其合作者对非线性主成分分析（NLPCA）开展了研究，并通过海表温度和海平面压力模拟，证明其可适用于混沌系统。这种方法在形成主成分时， 拟合非线性曲线而非直线，因此需要诸如神经网络这类的方法来实现拟合。它可以用来展现气候变率的主要模式，包括：大西洋振荡、太平洋-北美遥相关、厄尔尼诺-南方涛动、准两年振荡、季节内振荡等。
与此同时，多种 AI 技术已被用于研究可预测性，因为它们更容易推广到非线性领域。洛伦茨三维吸引子（Lorenz three dimensional attractor） 通常是第一个进行测试的高难度非线性动力系统，人类已利用各种 AI 技术对其进行了模拟。 Monahan（2000） 证明了 NLPCA 可以捕获洛伦茨吸引子的总体图。 Cannon（2006） 展示了可利用多元神经网络捕获相同洛伦茨吸引子的位点间的相关性。 Haupt（2006） 使用遗传算法将马尔可夫过程系数的非线性矩阵拟合到洛伦兹系统中，从而捕获了蝴蝶吸引子的大致形状。 Pasini（2009） 通过距离误差的频率分布分析，测试了基于神经网络的洛伦茨吸引子区域可预测性。
人们还可以基于测量数据，利用 AI 研究长期气候趋势。 Pasini et al.（2017） 利用人为和自然环境变量，建立了神经网络气候模型，以模拟过去 160 年间的气候，并得到了与观测数据高度一致的结果。这使他们能够固定某些变量，以确定在不同假设下模型的变化。如当设定人为强迫为工业化前水平时，出现模拟结果与观测结果不一致的情况，表明这些人为强迫与已观测到的温度变化有关。这个过程还允许他们分析自然变率，寻找关联，并研究分析中的不确定性。
最后，我们应注意到各种应用都需要巧妙地对气候信息进行后处理，而 AI 方法可以极大地简化这一过程。例如，美国的能源行业希望估算气候变化下风能和太阳能资源的变化，为解决这一问题， Haupt et al.（2016） 利用当前的再分析数据以及区域气候模型和一系列人工智能和统计方法，对当前和未来气候模式下的资源进行了预估。为此，他们计算了当前气候再分析的自组织映射（SOM），然后将模拟的未来气候映射到相同的 SOM 上。在校正了温度和其他变量之后，通过对代表一年中特定时段的模式进行蒙特卡罗抽样，生成了包含未来情形的气候数据库。该数据库可直接与当前气候数据进行比较。
4）优化
在此我们将重点放在遗传算法（GA）上。 GA 是由美国的 John Holland 教授 1975 年首先提出，并由 John Holland 的学生 David Goldberg 推广（Goldberg 1989）。自那时起，就已经开发了相当多类型的 GA。作为一种示例方法， GA 能够很好地计算出成本曲面的全局极小值，而不必像某些基于梯度的标准方法那样需要求导。 GA 可以处理极其复杂的成本曲面，同时搜索成本曲面的大量样本以寻找最佳解决方案。尽管 GA 最初被编码为二进制，但其实更通用的连续或实值 GA 更受欢迎。 GA 的一个优点是可以在一个问题中同时搜索二进制、连续或整数值参数（Haupt et al. 2011）。
GA 模拟细胞有丝分裂和演化，达成预设条件下的解决方案。它们以随机构建的染色体群开始，这些染色体是成本函数中的编码变量字符串，将每条染色体送入成本函数进行评估，并对成本进行排序。最好的或“最适合”的染色体存活到下一代，而其余染色体则“相继死亡”。那些合适的染色体形成交配池，交配操作结合了来自两条染色体的信息以产生后代染色体。突变操作导致一些染色体的随机变化。交配和变异操作允许以迭代方式探索和利用成本曲面，从而实现成本函数的全局最优，该过程如图 9 所示。更详实的描述可以参见 Haupt and Haupt（2004） 及其他文献。
目前 GA 已被广泛应用于各种问题，如求解逆问题、设计最优解、演示动态同化方法（Haupt et al. 2009d, 2013） 以及解决非线性偏微分方程（Haupt 2006） 等。 Haupt（2005,2007）、 Haupt et al.（2006,2009c）、 Allen et al.（2007a， b）和 Cervone and Franzese（2011） 运用 GA 开展了大气污染的源解析工作；国防机构利用 GA 来识别潜在的未知有害污染物的释放位置和释放量，并被证明其效果不输于包括贝叶斯与变分法在内的其他方法（ Bieringer et al. 2017；Petrozziello et al. 2016）。此外， Schmehl et al.（2012） 采用 GA 估算了火山灰的释放量， Kuroki et al.（2010） 将 GA 与专家系统相结合，以确定最佳飞行路径，引导无人机对污染物进行采样，以便反向计算污染源参数。
除此之外， GA 也被应用于解决其他优化问题。 Mulligan and Brown（1998） 使用 GA 通过估算最佳参数来校准水质模型。他们的研究表明， GA 比传统技术更有效，再加之 GA 具有提供搜索空间信息的附加能力，使他们能够开发置信区域和参数的相关性。此外，在其他的水质研究中， GA 被用以确定水流流动路径参数（Mohan and Loucks 1995）、粒径分布网络（Simpson, et al. 1994），解决地下水管理问题（McKinney and Lin 1993； Rogers and Dowla 1994；Ritzel， et al 1994），校准活性污泥系统参数（Kim, et al. 2002）。与此同时， Peralta 及其合作者将 GA 与神经网络和模拟退火（Simulate Anneal）技术相结合，以解决地下水供应的管理问题（Aly and Peralta 1999a, 1999b； Shieh and Peralta 1997； Fayad, and Peralta 2001）。Chan Hilton and Culver（2000） 使用 GA 来优化地下水的修复设计。
5）仿真
许多环境过程非常复杂， 不仅是我们对其工作原理的了解有限（如云的物理过程），即便是可以借由模式开展的部分研究，也面临计算成本高昂的困境（如辐射传输）。一种替代方案是使用 AI 模型进行过程仿真， Krasnopolsky（2009, 2013） 在这一领域已开展了大量工作， 这两篇评述回顾了这些工作。 大多数物理过程的现代预测模型，都是基于从基本原理推导的偏微分方程加上一系列物理参数化，这些物理参数化只是对物理过程的部分理解，通常是已知物理过程和从数据导出的经验系数的组合。 因此， 关键问题在于 AI 技术是否能够有效地模拟这样的过程， 并形成混合模型。 Krasnopolsky 及其合作者处理的第一个问题是对全球气候模式（GCM），此处是美国国家大气中心（NCAR） 的 CAM 模式的长波辐射（LWR）成分进行仿真。 他们使用 CAM 中原始 LWR 方案生成的数据，通过训练一个具有 50 个隐藏节点的神经网络来进行仿真，由此产生的仿真结果与原始的 CAM 运行几乎没有区别。 短波辐射（SWR）和其他气候模式也可能取得类似的成功。当使用神经网络对 LWR 和 SWR 方案进行仿真时，在保持原有精度的同时，运行时间也加快了 12 倍。
此外，利用仿真模拟风浪模型中的非线性相互作用（Krasnopolsky 2009） 和云参数化（Krasnopolsky et al. 2013） 也已经取得了进展。 Pelliccioni et al.（1999） 利用神经网络建立了大气边界层表面层模型。 应当指出的是，这种方法在未来的应用中有巨大的发展前景，但确实需要一批具有足够代表性的培训数据，以保证可涵盖所有可能的观测结果。
6）图像处理
Lakshmanan（2009） 回顾了自动化空间分析的方法，分析了使空间分析变得重要的特征，如相邻点之间的固有相关性。这项工作指出， 每个工作流程包括必要的过程（或元素）如过滤、 边缘查找、 分割、特征提取和分类等。这些过程中的一些（例如分类）非常适合诸如神经网络这类的 AI 技术。将所有这些过程组合在一起构成机器学习应用。
Krasnopolsky（2009） 介绍了从海洋环境的卫星遥感中提取信息的方法。他讨论了如何将神经网络用于映射过程，然后如何将神经网络应用于前向模型的仿真，以及如何解决构成反演的逆问题。深度学习的兴起正在彻底改变图像处理。 深度学习的概念源于人工神经网络的研究， 含多隐层的多层感知器就是一种深度学习结构， 深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 这种本质上是基于图像的方法正在探索解决大气科学问题的途径。 卷积神经网络（Convolutional neural networks, CNN）、生成式对抗网络（Generative Adversarial Networks, GAN）、 递归神经网络（Recurrent Neural Network,RNN） 等方法目前正被应用于图像处理和识别中。深度学习在大气科学中的应用已经开始，包括识别、预测和解释冰雹过程（Gagn et al. 2018a, b），为航空气象创建类似雷达的降水分析（Veillette et al. 2018），在气候模式中识别大气河流（Mahesh et al. 2018）， 改进卫星数据在模式初始化中的应用（Lee et al. 2018），以及气候降尺度（Vandal and Ganguly 2018）。
c. 未来的发展前景
由于 AI 是一个快速发展的领域，因此很难预测未来十年及以后的进展。随着新技术的出现，预计目前的研究课题将继续推进，同时也可能出现全新的研究方向，取代我们对 AI 和机器学习的现有认识。
目前学界对 AI 的主要批评之一是物理学家认为许多方法都是“黑匣子”。随着 AI 从业者更多地关注可解释性，这种情况正在发生变化。有些方法，如决策树，可以很容易地解释，但对于其他方法，包括神经网络等，必须慎重，不能将权重理解为具有物理意义。现在许多方法帮助用户理解变量的重要性，这可能导致对物理意义的更深入的理解。但是， AI 应用的许多问题本质上是非线性的，很难用有意义的方式梳理出它们之间的关系。在这些情况下，从业者可能需要巧妙地设计数值实验来解释结果。 Pasini et al.（2017） 最近开展的一项研究说明了 AI 如何被用于测试特定变量对结果的影响，以及如何将结果归因于最重要的变量。这个案例中， 使用神经网络确定导致观测到的长期温度变化模式的最重要的变量。 Pasini 等人认为，与使用全球气候模型相比，使用这些方法可以使他们的归因研究更具独立性。随着可解释性成为优先研究事项， AI 界，特别是那些寻求环境科学应用的学者，正在帮助开发和测试从 AI应用中反向认识物理过程的方法（Gagne et a, 2018b）。
改进预报一直是 AI 应用的重要方向，但前路迢迢。利用状态依赖对条件进行分类，然后分别对状态进行 AI 方法的训练，目前已经取得了可喜的成果。这种方法显示出具有温度预报的潜力，如 Greybush et al.（2008） 使用主成分分析来区分天气状况。 McCandless et al.（2016a,b）在太阳辐射预报中使用 k-均值聚类来分离云状态，然后分别为每个状态训练一个神经网络，当有足够的训练数据时，则可对单个神经网络模型进行改进。状态依赖性可以通过一种隐式技术（例如使用基于树的方法）或通过显式应用分类方法（例如聚类法）来确定，并使用首选的 AI 方法分别训练每个聚类。据此， NWP 可以进一步与 AI 结合，模拟上述过程，从而加快计算速度，甚至可能改进某些过程的经验模型。
此外，网格化方法是改进预报的另一个前进方向，这种方法允许对象识别和分类，它们可以识别对象， 再根据历史数据中类似对象的行为来对其进行平移、拉伸或变形。与大气科学中的许多应用一样，这很可能是从统计方法发展而来的。目前已经开发出了评估这些技术输出结果的方法，通过这些基于对象的方法，也进一步推动了模型输出与观测结果间的比较的进步（Gilleland, 2017）。
在过去的十年中， AI 界最大的发展是深度学习的应用。随着存储在数字计算机上的数据的不断增长，使我们拥有足够的数据，能够训练这种深度网络所需的所有权重。这些方法可以以新的方式促进上述问题的解决，它们本质上识别状态，并采取完全网格化的预测方法在我们撰写这本专著时， AI 界正处于对这种方法的“非理性繁荣”阶段。尽管对目前提出的所有承诺未能全部实现，感到些许失望是不可避免的，但我们预计这些方法有助于将该领域推进到一个能够解释和更好地利用目前以新方式生成的大量数据的新时代。
围棋被认为是 AI 最难解决的问题之一， 2015 年，当一个深度学习系统 AlphaGo 击败了围棋世界冠军（Silver et al. 2016, 2017） 时， AI 世界震惊了。值得注意的是，利用人类知识的监督学习是其成功的关键。同样地，在环境科学中，上面提到的许多最具创新性的进展都是基于人类对物理系统的了解进而巧妙地配置了 AI 方法而取得的。随着我们走向下一代计算，发展模式可能发生改变。目前尚不清楚继续增加处理器数量（多核方法）是否将继续是未来的趋势，亦或是图形处理单元（GPU）将主宰下一代计算机。新的模式可能会发展起来，这将有助于新技术的发展。深度学习可能会取代以前的方法，亦或者之前的这些方法也可能永久存在。无论发展如何，这些方法都将增进我们对环境的理解，提高我们对环境的建模和预测能力，并激发环境科学现有和新应用的发展。
6. 总结和结论性思考
应用气象学的研究最早始于人工影响天气、航空气象和国家安全应用等领域的研究， 尽管这些应用领域在很久以前就已经出现了， 且业已成熟， 但它们仍在继续发展，而且这些研究也进一步加深和促进了人类对基础物理学和气象动力学过程的理解和认识。 此后，随着气象学在城市规划管理、空气质量预警监测以及能源、交通和农业等其他交叉领域的应用的不断深入， 气象学在促进这些领域决策支持系统的开发和发展方面发挥了积极的作用。通过开展这些研究，人类意识到建立各系统之间复杂的关联关系和反馈至关重要，只有识别和量化这种复杂耦合系统的固有的不确定性，才能建立有效的决策支持系统，因而认识、厘清、识别和建立耦合系统之间各部分的关联关系成为了应用气象学研究面临的核心挑战。
此外，应用气象学在一些新兴领域也正在迅速发展：如空间天气领域，如何更好地进行空间天气观测以及将观测结果整合至空间天气模式之中， 成为掣肘该领域科学发展的关键；而在野火管理中，如何开发可运用到实际业务系统之中的大气-野火耦合模型，是该领域面临的最急迫的研发挑战。而近年来蓬勃发展的人工智能技术，在环境领域得到了广泛地应用，随着深度学习等人工智能领域新的运算模式的出现，在未来是否仍然通过增加处理器数量来提升计算性能已尚未可知。新的运算模式的出现将推动应用气象领域的全面发展，而这将增进人类对环境的理解，提高人类对环境的建模和预测能力，并激发用应用气象新领域的不断涌现，由此可能使得一些应用领域的科学发生革命性的变化。
尽管应用气象章节中回顾的应用并不全面，但笔者希望借此激发读者的兴趣，让读者更多地了解应用气象如何通过增加资源获取、保护环境以及增进人类对环境系统各部分相互作用的理解，从而对人类社会产生具体影响。 AMS 百年评述文集：应用气象以 NCAR 第一任主管 Walter Orr Roberts 的一句话开篇，在此也以此结束。他说：“我有一种强烈的感觉，科学的存在是为了服务于人类的进步和提高人类的福利”（NCAR 2018）。诚然我们确实在这方面取得了巨大的进展，但我们尚需继续努力，未来几代人将有大量的机会，通过气象学的应用，为世界变得更加美好而作出贡献。