《清華大學：2024氣象人工智能技術與應用報告（86頁）.pdf》由會員分享，可在線閱讀，更多相關《清華大學：2024氣象人工智能技術與應用報告（86頁）.pdf（86頁珍藏版）》請在三個皮匠報告上搜索。

1、氣象人工智能技術與應用氣候-水-能源研究組Climate-Water-Energy Research Group羅勇夏 馨施 文廖舟怡馬子起黃建斌黃小猛2人工智能的發展符號AI專家系統規則系統第一代第二代第三代John McCarthyMarvin MinskyClaude ShannonNathaniel RochesterAllen NewellHerbert A.SimonArthur SamuelOliver SelfridgeRay SolomonoffTrenchard More1956 Dartmouth ConferenceThe pioneers of AI1956達特茅斯會

2、議AI先驅者感知智能大數據驅動的統計學習方法初步實現了針對文本、圖像、語音等感知與識別Geoffrey HintonYann LeCun認知智能張鈸院士2016年提出第三代人工智能雛形，DARPA 2018年發布AINext計劃。核心要素是數據、知識、算法和算力。Ilya Sutskever姚期智Yoshua BengioNoam Chomsky Edward FeigenbaumRobert Mercer通過對巨量數據的建模和處理，實現對多模態信息的理解、推理、規劃、執行，實現復雜的高階認知任務大數據與人工智能正在引發一場深刻的地球科學研究革命大數據與人工智能應對全球變化研究呈爆發性增長，有

3、力促進了地球系統的機理、模擬和預測研究，人工智能與數值預報的融合成為熱點和難點大數據和人工智能人工智能如何創新研究范式？氣象人工智能技術應用人工智能的原理和方法，包括但不限于機器學習、深度學習、數據挖掘和自然語言處理等，對氣象數據進行高效處理、分析和解釋的技術。這些技術在氣象領域的應用越來越廣泛，已經成為提升氣象服務水平的重要手段。6AI氣象大模型的發展2018年ECMWF發布了機器學習相關的科學出版物2022年2月全面的中期天氣預報模式有所發展2022年10月1 km全球更細分辨率的模型2022年11月熱帶氣旋等天氣2022年12月大量預測模型出現2023年1月全球和區域尺度共同發展2023

4、年4月7天+預報技巧提升PeterDueben和和PeterBauer（ECMWF）使 用ERA5 數 據 發 布 了 一 篇 論文，分辨率約為500公里，用于預測未來z500。Keisler 發展了 GraphNN 1分辨率，可以與可以與GFS模式相比較。NVIDIA創 建 了FourCastNetFourier+，0.25分辨率，比IFS預報快O(104)倍，且模式運行更為節能。Jua.ai等等實現全球1x1公里，提前48小時，時間步長5分鐘預報。華為華為-盤古氣象大模型盤古氣象大模型0.25 分辨率，小時產品，“比IFS更準確的軌跡”。谷歌谷歌 Deepmind GraphCast0.2

5、5分辨率，6 小 時 產 品，預測許多變量和氣壓層，精度與IFS接近。微軟微軟 ClimaX在各種分辨率下進行預測，包括全球和區域。中國學術界中國學術界+上海上海氣象局氣象局-風烏風烏0.25 分 辨 率，6 小 時 產 品，在更長的時間尺度上改進了GraphCast（仍然是確定性的預報）。2023年11月15天+（S2S）全球預報復旦大學復旦大學+上上?？茖W智能研?？茖W智能研究所究所 伏羲伏羲氣候氣象大模氣候氣象大模型型，伏羲次季節大模型的預報精度更準、預報周期更長（45天）、運行速度提升千倍。2024年6月18日中國氣象局中國氣象局發布不同時間尺度三大AI氣象大模型風清風清：人工智能全球中

6、短期預報系統；風雷風雷：人工智能臨近預報系統；風順風順：人工智能 全 球 次 季節季節預測系統。報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考智能氣候預測什么是智能氣候預測？將人工智能算法與氣候預測相結合，構建智能氣候預測技術體系，即以大數據應用為前提，在通

7、過機器學習和常規方法進行客觀定量預測的基礎上進行智能評估，繼而動態推薦預測結果。隨著大數據和人工智能的發展，海量數據深度學習、復雜神經網絡等逐步應用，人工智能為氣候預測提供了一種解決難題的新思路?？梢杂萌斯ぶ悄芩惴ò殉売嬎銠C的預報結果盡可能地、自動地、不用人工干預地修正到與實際觀測數據更接近，以促進延伸期-月-次季節-季氣候預測能力和準確率逐步提高。研究思路10 模型以數值模式回算資料的季節環流預測作為輸入，以對應的降水預測作為輸出，訓練模型學習環流與同期降水之間的非線性關系；利用觀測資料對模型進行遷移學習，進一步調整網絡參數。實際預測時，利用高質量的多模式集合季節環流預測場輸入模型，預測季

8、節降水?！碍h流是天氣的載體”+“巡航導彈”巡航導彈通常采用慣導、地形匹配制導、GPS制導和景象匹配制導等組合制導方式。11探索思路：射擊問題與巡航導彈 傳統的射擊問題 氣候系統預測的相似性 大氣：導彈；海陸冰：地形地貌巡航導彈通常采用慣導、地形匹配制導、GPS制導和景象匹配制導等組合制導方式。擬解決的科學問題1.建立夏季降水的深度學習預測模型通過監督學習/無監督學習的思路，將卷積神經網絡等深度學習方法應用在夏季降水的季節預測中，通過觀測資料和動力模式數據（季節模式，CMIP6）建立基于模式季節預測結果和前期觀測信息的汛期降水預測模型，對汛期降水距平百分率空間分布場進行預測，以期提高汛期降水預測

9、準確率。2.前兆信號和影響機理的識別由于深度學習可以處理多維數據，具有自動提取特征的功能?？梢岳每山忉屝陨疃葘W習的部分方案，評估深度學習模型的預測機理。目的在發現新的影響因子和預報關系，評估不同因子對夏季降水的影響大小，分析汛期降水的影響機制。3.模式誤差來源的分析和評估使用深度學習模型訂正模式數據；通過分析模式回算數據與觀測或再分析資料所構建模型的差異，評估模式對不同物理過程的模擬能力；或通過深度學習模型分析模式汛期降水預測誤差的主要來源。12汛期全國氣候趨勢預測1月 啟動分析研判工作2月-3月-召開汛期全國氣候趨勢預測會商會；3月23日起，中國氣象局首次面向公眾發布氣候預測信息4月 中國

10、氣象局舉行新聞發布會，發布全國汛期氣候趨勢預測結果5月-召開汛期氣候趨勢預測滾動訂正6月 召開汛期氣候趨勢預測第二次滾動訂正9月-汛期全國氣候趨勢預測檢驗評估綜合分析前期海洋、陸面、大氣環流、氣候異常特征等影響因素邀請水利部、高校及科研院所等專家共同研判；結合國內外動力氣候模式預測結果滾動訂正預測結果滾動訂正預測結果2021年汛期降水趨勢預測邀請水利部、高校及科研院所等專家共同研判中國汛期降水時空分布特征15受季風、地形等影響，我國汛期（6-8月）總雨量占全年降水量比例大，且區域差異和年際年代際變化明顯。汛期降水與國民經濟和人民生活密切相關，是我國短期氣候預測的主要任務。中國中東部降水年循環1

11、950sDing et al.,2008,Int.J.Climatol;Wu et al.,2018,Atmosphere1960s1970s1980s1990s2000s2010s中國中東部汛期降水年代際變化東亞季風影響因素示意圖“東南西北中”這五大因素可以概括影響東亞季風的主要熱力、動力條件，即大氣環流和下墊面熱狀況。汛期降水數值模式預測技巧17國際主流數值模式近四年汛期預測評分（ACC，PS）上圖來源：國家氣候中心;吳捷等,2017,大氣科學;Wang et al.,2009,CDBCC二代模式對不同地區（全球，熱帶，北半球熱帶外，南半球熱帶外，東亞，南亞）的降水預報TCC。不同顏色表示

12、不同起報時間。模式對不同地區的降水預報能力不同。對中高緯度地區預報技巧較低；模式對大氣環流、溫度等變量預測能力遠超對降水的預報能力。季節氣候模式的汛期預報PS評分在70分左右；但ACC（距平相關系數）仍在0.2以下，甚至可能小于0。封國林等,2013,應用氣象學報;劉穎等,2020,氣候與環境研究動力-統計模型汛期降水預測FODAS系統預測流程1.統計后處理利用歷史相似等方案對模式預報誤差進行訂正2009201020112012201320142015201620172018201950607080PSYear 業務模式 FODASFODAS：74分業務模式：64分2.統計降尺度利用動力模式中

13、具有較高預測技巧的大尺度環流信息預測降水1991-2012年汛期降水與同期東亞SLPSVD第一模態SLP降水18動力-統計方法仍依賴對影響機制和模式誤差的理解，且樣本數量少，效果不夠穩定。什么是Deep Learning？Deep Learning=Learning representations/features without being taught深度學習：學習數據表示的多級方法。深度學習是機器學習的一個分支領域，是從數據中學習表示的一種新方法，強調從連續的層（layer）中進行學習，這些層對應于越來越有意義的表示?！吧疃葘W習”中的“深度”指的并不是利用這種方法所獲取的更深層次的理解，

14、而是指一系列連續的表示層。手工地選取特征是一件非常費力、啟發式（需要專業知識）的方法，能不能選取好很大程度上靠經驗和運氣，而且它的調節需要大量的時間。既然手工選取特征不太好，那么能不能自動地學習一些特征呢？答案是能！“深度學習”就擅長做這個事情！深度學習方法的優勢20Reichstein et al.,2019,Nature;Lecun et al.,2019,Nature深度學習：通過多個處理層（神經網絡）學習抽取合適的特征（預測因子），而不再局限于人工設計模型后的參數優化，稱為表示學習（representation learning）。y=f(z)通過激活函數模擬非線性關系通過反向傳播訓練

15、神經網絡參數，找到更優的參數組合深度學習在氣候預測中的應用前景Racah,2017,arXiv;Vandal,2018,IJCAI;Reichstein,2019,Nature事件識別降尺度場預測序列預測21季節預測仍然是重大挑戰，特別是中緯度降水預測能力仍然較低，因此中國汛期降水預測仍然是重大挑戰，而深度學習可能帶來新的提升：目前的概念模型受限于對影響因子的理解。深度學習的挖掘能力可能學習到新的預測信號。動力模式預測技巧較低。模式數據不斷增多，但對其誤差的特征和原因的分析遠遠不夠；而深度學習擅于處理大數據。目前應用的統計方法往往結構較為簡單，對非線性關系描述能力較弱。深度學習則可以從數據中學

16、習合理的非線性特征。深度學習聚焦于空間學習和序列學習，其數據形式與氣候數據有很高的相似性。Kadow,2020,Nature;Ham,2019,Nature深度學習在氣候領域的應用（1）22深度學習利用模式數據補充缺測值HadCRUT4早期缺測值較多（圖a），利用CMIP模式數據，深度學習可以補充缺測值（圖b），效果超過克里金插值（圖c）和PCA插值（圖d）。以1877年7月為例，深度學習方法可以復現厄爾尼諾現象（圖b）。利用遷移學習提升ENSO預測準確率使用21個CMIP5模式數據對深度學習模型進行預訓練，使用觀測、再分析資料對模型參數進行訂正（遷移學習），對結果有顯著提升。解決深度學習的兩

17、大問題：1.樣本量不足：一些研究結合模式數據訓練模型。Ham et al.,2019,Nature;Benjamin et al.,2019,arXiv提前18個月預測1997/98 ENSO事件：填色：Heatmap，表示預測因子對結果影響的比重；等值線：海表氣溫和熱容量。深度學習模型準確模擬了預測因子對1997/98年厄爾尼諾的影響：熱帶西太平洋熱容量正異常，印度洋偶極子負位相，北大西洋冷海溫。23深度學習在氣候領域的應用（2）解決深度學習的兩大問題：2.機理難以解釋。一些研究探索了通過模型可視化探索機理的可能性。利用深度學習識別ENSO事件：模型可視化方法optimal input顯示，

18、神經網絡準確識別了ENSO指數的定義區域為赤道中東太平洋。報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考基于卷積神經網絡方法的季節降水預測25動力統計結合對多個動力模式進行后處理統計降尺度基于高技巧的環流變量預測降水深度學習CNN模型自動提取氣象場中的預測因子5層CNN+卷積注意力模塊重建為降水距平場基礎模型深度特征任務特異頭部SEDES模型神經網絡的基本結構+季節特征SEDES模型的訓練策略動力模式環流or 觀測環流嶺回歸遷移學習降水距平場PC系

19、數遷移學習嶺回歸遷移學習方法克服小樣本問題基于深度學習方法的中國季節降水預測系統SEasonal DEep-learning System物理統計方法（前期因子）動力統計結合方法（同期因子）完全預報方法（PP）訂正（calibration）模式輸出統計（MOS）統計降尺度*（bridging）*基于模式高技巧輸出的預測SEDES模型應用效果262020年ACC=0.23 PS=81.22022年ACC=0.37 PS=742021年ACC=0.16 PS=752023年ACC=0.13 PS=69.5獨立樣本檢驗（2013-2016）參加全國汛期預測會商3月起報MME環流距平ERA5環流距平輸

20、入優化環流標準化距平divuvq850div2022年汛期降水預測誤差的診斷復盤2024年中國地區6-8月降水距平百分率（%）預測基于卷積神經網絡方法的次季節降水預測27基本目標 對氣候中心的區域次季節預測模式CWRF進行降尺度后處理 在三個時間尺度（5d、10d、30d）上分別建立環流和降水的關系 形成侯、旬、月三個時間尺度的預測產品1Dmodel5day1Dmodel30day2Dmodel5day2Dmodel30day獨立驗證集分數隨機樣本對比 空間細節模糊 侯、旬：一維模型 月：二維模型降水異常典型模態的環流配置降水異常典型年的環流成因目標問題：深度學習模型的后解釋性 中國季節降水異

21、常與環流的關系通過“optimal input”方法求解深度學習模型中有利于特定降水異常模態的環流配置。通過“Grad-CAM”方法求解典型年同期環流中導致降水異常分布的主要影響信號。降水異常模態EOF1空間分布降水異常模態EOF3空間分布以降水的第1和第3模態為例：29降水異常典型模態的環流配置SEDES可以對某特定環流配置下季節降水各EOF模態對應的PC系數值進行預測。通過輸入優化（optimal input）方法，尋找SEDES模型預測冬季降水EOF1和EOF3模態正位相時的判據，即生成EOF1和EOF3模態正位相對應的典型環流場，從而討論該模型的物理可解釋性。環流模型參數PC系數讀取已

22、有的模型結構和參數并固定將一組大氣環流異常場初始化為0將大氣環流異常場輸入模型獲取模型輸出的第k個PC系數通過梯度下降，修訂環流異常場，使其輸出的第k個PC系數更大第k個PC系數不再增長時，對應的環流異常場為使第k個模態為顯著正位相時對應的典型環流場基于輸入優化的典型環流場分析流程圖30降水異常典型模態的環流配置 方法介紹模型訓練階段，將配對的環流和PC系數輸入模型，不斷調整模型參數，使模型輸出接近標簽值；輸入優化階段，固定模型參數，不斷調整模型輸入，使模型輸出接近期待值。200hPa緯向風異常（色階）500hPa高度異常（等值線）850hPa比濕異常（色階）850hPa風異常（等值線）北方降

23、水偏多對應500hPa位勢高度異常場為西北低東南高分布，烏山至貝湖地區為大面積負異常，中高緯冷空氣活躍；西太副高偏強偏北，大量水汽在低層沿偏南風向北輸送。該結果表明深度學習模型具有物理可解釋性。揭示了不同季節典型降水異常的環流成因?；贓OF1正位相生成的環流場環流對應降水標準化異?？臻g分布31降水異常典型模態的環流配置 以EOF1為例夏季冬季200hPa緯向風異常（色階）500hPa高度異常（等值線）850hPa比濕異常（色階）850hPa風異常（等值線）基于EOF3正位相生成的環流場1997/1998 年冬季大氣環流場厄爾尼諾成熟期菲律賓反氣旋對東亞氣候的影響示意圖環流對應降水標準化異?？?/p>

24、間分布（Wang,2000,J.Climate）32降水異常典型模態的環流配置 以EOF3為例冬季冬季南方降水偏多對應的深度學習輸入優化環流與厄爾尼諾成熟期的環流類似。表明模型對大范圍遙相關的非線性擬合能力。Grad-CAM：對于模型第c個輸出值，第k個特征圖對應的權重為：=,=1其中A為特征圖集合，i、j為特征圖上的格點坐標，Z為格點總數。最終輸出的激活圖為：L=()33季節降水的環流影響機制降水異常典型模態的環流配置降水異常典型年的環流成因目標問題：深度學習模型的后解釋性 中國季節降水異常與環流的關系通過“optimal input”方法求解深度學習模型中有利于特定降水異常模態的環流配置。

25、通過“Grad-CAM”方法求解典型年同期環流中導致降水異常分布的主要影響信號。對于典型降水異常年，通過類激活圖（ClassActivation Mapping）方法，標出對模型預測結果產生顯著影響的環流區域，從而找到該年降水異常的環流成因。2013年夏季降水異常，其中（a）為觀測，（b）為以再分析資料作為輸入的模型預測（ACC=0.75）再分析大氣環流標準化異?？臻g分布以2013年夏季為例，激活圖反映了西太平洋至中國范圍內的南方暖濕空氣傳播路徑。典型的環流經向波列表明該年夏季風偏強，高低層配置指示了冷暖空氣匯集的位置。因此，深度學習模型針對個例提取了東亞地區環流異常的關鍵特征，作為降水異常預

26、測的主要依據。2013年夏季模型激活圖空間分布200hPa緯向風異常（色階）500hPa高度異常（等值線）850hPa比濕異常（色階）850hPa風異常（等值線）34降水異常典型年的環流成因 以2013年夏季為例類激活圖深度學習可解釋性方法-遮擋敏感性35將輸入動力模式環流的部分環流區域替換為再分析資料，計算降水ACC變化，評估優化不同區域環流預測效果對降水預測技巧的提升，可以揭示出對降水預測產生負面效果的環流預測誤差關鍵區；對歷史同期平均而言，SEDES模型預測技巧對近地面熱力條件和低層水汽異常的誤差最為敏感。（Zeiler et al.，2014）衡量不同空間區域的輸入貢獻，定位潛在的預報

27、信號（Shin et al.,2022）尋找高頻降水變率中人類活動的信號（Ham et al.,2022）衡量不同空間位置的信息如何改變輸入結果零值遮擋：輸入本身的重要性真值遮擋：輸入誤差的重要性現有應用SEDES 應用深度學習可解釋性方法-輸入優化36（Olah,2017）現有應用特定分類反推極端天氣事件的輸入環流配置（Gagne et al.,2019）利用氣候模式做為訓練集的模型，反推氣候模式對氣候變暖模擬的關鍵偏差（Barnes et al.,2020）EOF1EOF3固定模型參數，從輸出反推輸入最優環流配置？根據降水主要模態反推最優輸入環流，指示與特定降水分布對應的典型環流場給定單一

28、神經元輸出給定單一模態輸出實況降水對應PC系數組合SEDES 應用局部誤差及其影響-中高緯系統37u200z500uvq700-+在東北地區，200hPa緯向風和700hPa緯向風的預測誤差對降水預測影響較大。動力模式對急流的波動特征、強度和出口位置預測不準確，700hPa風場在東北地區的預測與實際相反 可能是東北、內蒙東部一帶降水預測偏差的主要原因。這種實況配置與最優環流一致3月起報MME環流距平ERA5環流距平3月起報MME環流距平3月起報MME環流距平輸入優化環流標準化距平小結1.機器學習，特別是深度學習方法在季節-次季節氣候預測中有廣泛的應用前景。2.當前汛期預報業務主要依賴于數值模式

29、和預報員的主觀訂正。本研究提供了針對全國汛期降水距平百分率的深度學習客觀預報模型，利用模式環流預報數據，提供更準確的全國汛期降水距平百分率分布預報。3.利用模型的可解釋性，可進一步分解深度學習模型的誤差來源，為分析同期環流與汛期降水的非線性關系，及分析數值模式的關鍵誤差提供幫助。38報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考40風電場風速和風電功率預報現狀購買臨近網格點的歐洲風速預報產品單一風電場風速和風功率后處理訂正系統單一風電場風速和風功率

30、預報產品 依賴國外預報產盤，被“卡脖子”；成本倍增；資料同化尚未廣泛應用。模式后處理模型可解釋性較差，無法從大量模式變量中篩選重要特征；不同地區需要花費大量時間進行特征工程構建；單一風電場的數據樣本量不足；模式后處理算法較為簡單，忽略了氣象變量的時間相關性。41WINDES設計思路美國、歐洲或者中國氣象局全球預報產品中國地區中尺度氣象預報模式（3-5公里）全國或省電網范圍內所有風電場后處理訂正系統全國或省電網范圍內所有風電場風速和風功率預報產品中國數據同化（下墊面、不同風電場測風塔的空間相關性）特征構建、提取和選擇（小時特征與M-O長度、理查孫數）全球預報產品靈活切換，不受制于人網格0102-

31、16水平分辨率25 km5 km垂直層數5151云微物理方案MorrisonMorrison長波輻射方案RRTMGRRTMG短波輻射方案RRTMGRRTMG陸面過程方案NoahNoah積云對流方案KainFritsch無邊界層方案YSUYSUWRF模式的網格以及參數設置WRF模式模擬區域和嵌套網格設置預報時間：2009年6月-2010年5月WRF模式運行設置42模擬區域劃分依據：省級電網區域范圍基于中尺度氣象同化預報和深度學習方法的風速預報系統（WINDES，WIND speed dEep-learning System）采用的模式運行設置在實際應用中可以滿足電網對于時間的需求?；赪RF模式

32、的短期風速預報43各?。▍^、市）風資源開發地區WRF中尺度模式風速預報第一部分WRF模式風速預報第二部分資料同化改進預報3DVar+WRF模式風速預報3DVar資料同化基于機器學習的模式結果后處理算法多個高度/氣壓層的模式變量第三部分后處理以及特征篩選梯度提升決策樹第四部分模式結果后處理風速預報模式各個特征的重要程度基于時間序列相關性的神經網絡風速預報近地層風速等重要特征WINDES技術路線衛星資料+常規觀測資料0-24h：0-24小時預報24-48h：24-48小時預報48-72h：48-72小時預報“WRF”：WRF預報結果；“ATTN”：Attention+LSTM結果；“LSTM”：L

33、STM結果；“MLP”：對照試驗結果不同省WRF風速預報結果與LSTM、Attention+LSTM、BP神經網絡的結果在測試集上的RMSE對比。三種方法相對于WRF結果都能減小RMSE。ATTN和LSTM的RMSE減小幅度較大。ATTN的效果最佳，在不同省的結果中，相對于WRF原始結果，RMSE減小幅度為30%-65%?。▍^、市）預報時間WRFATTNLSTMMLP?。▍^、市）預報時間WRFATTNLSTMMLP北京0-24h4.601.942.17 2.71 遼寧0-24h2.641.681.88 2.11 24-48h4.802.132.34 2.87 24-48h2.961.842.1

34、0 2.29 48-72h4.902.162.43 3.33 48-72h3.202.012.27 2.55 廣東0-24h3.081.681.92 2.77 內蒙古0-24h3.032.072.34 2.70 24-48h3.311.842.06 2.85 24-48h3.402.302.62 2.81 48-72h3.511.942.13 2.97 48-72h3.632.432.74 2.91 海南0-24h3.031.661.86 2.48 寧夏0-24h3.301.912.18 2.94 24-48h3.221.761.95 2.57 24-48h3.662.012.27 3.14

35、48-72h3.451.842.05 2.72 48-72h3.852.102.39 3.21 河北0-24h3.371.721.96 3.04 青海0-24h4.282.362.60 3.77 24-48h3.671.862.10 3.15 24-48h4.482.432.74 3.94 48-72h3.852.022.23 3.32 48-72h4.582.462.80 4.04 河南0-24h2.781.651.79 2.42 山西0-24h3.471.812.07 2.39 24-48h3.261.842.03 2.62 24-48h3.941.932.20 2.49 48-72h3.

36、391.912.18 2.83 48-72h4.082.032.29 2.59 黑龍江0-24h2.481.571.78 2.05 陜西0-24h2.811.761.99 2.34 24-48h2.761.701.92 2.15 24-48h3.221.922.22 2.43 48-72h2.951.792.05 2.26 48-72h3.411.992.30 2.50 湖北0-24h2.701.531.69 2.05 上海0-24h2.421.331.44 1.91 24-48h2.991.661.91 2.21 24-48h2.831.451.49 1.99 48-72h3.131.681

37、.87 2.30 48-72h3.171.511.77 2.22 湖南0-24h2.761.571.78 2.30 四川0-24h4.121.581.72 3.49 24-48h3.131.791.90 2.49 24-48h4.411.551.82 3.59 48-72h3.111.822.05 2.61 48-72h4.511.661.87 3.67 江蘇0-24h2.511.461.62 1.96 新疆0-24h4.122.703.00 3.46 24-48h3.011.651.86 2.16 24-48h4.522.853.15 3.69 48-72h3.271.771.97 2.29

38、 48-72h4.642.893.29 3.74 江西0-24h2.681.601.77 2.19 云南0-24h4.021.912.08 3.22 24-48h2.991.741.99 2.40 24-48h4.052.002.19 3.31 48-72h3.061.811.99 2.52 48-72h4.072.092.32 3.39 模式結果后處理4445面向某省電網的風電場風速預報1.1.滿足電網對發電量預報的要求；滿足電網對發電量預報的要求；2.2.下載下載GFSGFS全球模式預報產品的時間；全球模式預報產品的時間；3.3.下載衛星遙感資料度的時間；下載衛星遙感資料度的時間；4.10

39、4.10天天+28+28小時預報的計算時間；小時預報的計算時間；5.5.初始場同化的計算時間；初始場同化的計算時間；5.5.人工智能的計算時間；人工智能的計算時間；6.6.發布預報產品的時間；發布預報產品的時間；7.7.故障處理的時間。故障處理的時間。面向某省電網的風電場風速預報系統WINDESrmsewrf24h48h72hreferencen_trainn_test風電場12.931.811.971.882.1627592814623.171.731.831.852.4022267664833.201.732.022.20nan28591857043.141.591.802.132.401

40、46884416某省四個風電場的72小時風速預報均方根誤差風速預報結果46風速：m/s報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考衛星數據插值邊緣平滑處理太陽高度角訂正WRFDA數據同化氣象探空資料電站地面觀測資料GFS大尺度預報數據全天空成像儀圖像資料去除污漬斑點圖像畸變調整圖像尺寸調整WRF-SOLAR模式預報水平總輻射GHI空氣相對濕度地表溫度風速/風向云分數地表氣壓模式誤差訂正：卷積神經網絡多層感知機長短期記憶網絡AERONETAOD觀測

41、數據集衛星數據變分訂正衛星AOD數據集相對濕度訂正AOD時空分布短期預報未來1-10天GHI超短期預報未來1小時GHI輻射預報算法：卷積神經網絡長短期記憶網絡數據收集晴空模型數據預處理模型運行基于深度學習方法的太陽輻射預報系統（SOLARES，SOLAR irradiance dEep-learning System）WRF模式的網格以及參數設置網格d01d02d03水平分辨率27 km9 km3 km垂直層數414141云微物理方案ThompsonThompsonThompson長波輻射方案RRTMGRRTMGRRTMG短波輻射方案RRTMGRRTMGRRTMG陸面過程方案NoahNoahN

42、oah積云對流方案Grell 3DGrell 3D無邊界層方案Eta TKE schemeEta TKE schemeEta TKE schemeWRF模式模擬區域和嵌套網格設置地點：新疆五家渠光伏電站預報時間：2020年1月-2022年12月采用的模式運行設置在實際應用中可以滿足電網對于時間的需求。初始場數據：美國GFS全球預報數據太陽輻射短期預報太陽輻射短期預報輸入 1：WRF_GHI輸入 2：WRF_T10輸入 3：太陽天頂角拼接長短期記憶網絡（LSTM）D03WRF_Cloud卷積卷積池化池化卷積神經網絡框架多層感知機框架GHI預報全連接層+Sigmoid 激活區域輸入數據單點輸入數據

43、太陽輻射預報與風速預報的區別：高度依賴云層的時空變化太陽輻射短期預報結果050100150200250300一月二月三月四月五月六月七月八月九月十月十一月十二月RMSE(W/m2)持續性預報WRFWRF+CNNWRF+CNN+LSTM2020-2022 未來24小時預報均方根誤差太陽輻射超短期預報0200400600800100012006:008:2410:4813:1215:3618:0020:24GHI(W/m2)0200400600800100012007:129:3612:0014:2416:4819:1221:36Clear sky GHIObserved GHIWRF forec

44、astWRF+AI ForecastSky-Image Forecast WRF預報和WRF+人工智能訂正的方法擅長未來24小時至未來數天的預報，能預測未來天氣的大致趨勢。但在超短期預報中，這些方法容易忽視爬坡事件以及輻射的短暫波動 準確的現場觀測數據包括全天空成像儀圖像序列有助于改進超短期預報效果。2021-07-18 未來一小時預報數據獲取實驗地點：新疆五家渠44 24 23 N,87 39 22 E全球水平輻照度（GHI）觀測:光伏電站內觀測站每10分鐘一次天空圖像采集EKO ASI-16每5分鐘一次數據預處理質量控制和異常值過濾圖像大小調整與畸變調整數據分割：訓練集、驗證集、測試集太陽

45、輻射超短期預報太陽輻射超短期預報關鍵算法:AARes ConvLSTM注意力增強下的殘差網絡（Attention-augmented ResNet）卷積神經網絡從天空圖像中提取云層空間特征。采用ResNet-18作為卷積神經網絡結構，因為采用殘差計算可以平衡計算效率和梯度消失問題。通過注意力增強卷積網絡（AACN）增強ResNet-18，通過關注輸入中更重要的部分，克服傳統卷積神經網絡的局限。卷積長短期記憶網絡（ConvLSTM）LSTM在保留長期依賴關系和解決傳統遞歸神經網絡（RNN）中常見的梯度消失問題方面有優勢，確保了序列圖像的高效處理。卷積LSTM是LSTM的演變，將卷積操作納入LST

46、M結構中，有效捕獲二維圖像數據的時空依賴性。太陽輻射超短期預報模型比較1.Persistence Model 2.Basic ANN 3.Stacked CNN(Feng et al.2022)4.3DCNN(Feng et al.2022)5.3DResNet(ResNet without LSTM&attention)6.ResNet-ConvLSTM(ResNet-ConvLSTM without attention)7.AARes-ConvLSTM均方根誤差預報技巧報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超

47、短期預報基于深度學習的北極地區格點化地表氣溫重建氣象人工智能未來發展思考已有研究表明：極地缺測對研究全球溫度變化存在明顯的影響重建一套覆蓋30N以北的地表空氣溫度數據集北極地區相對于中緯度觀測十分有限數據最少的地方出現在格陵蘭島和北冰洋部分區域研究目的59北極缺測情況以及其所帶來的影響1850年至今HadCRUT5觀測覆蓋情況Huanget al.(Nat.Clim.Change,2017)紅色線：基于DINEOF的重建黑色線：基于Kriging的重建Morice et al.(J.Geophys.Res.:Atmos.,2021)在北極地區仍存在不足：以上資料時間分辨率較低（月資料）未使用極

48、地觀測或對觀測使用不充分全球格點溫度資料60基于器測觀測的全球溫度資料序號資料起止時間時間分辨率陸地氣溫資料海表面溫度參考文獻1HadCRUT51850-2020月CRUTEM5HadSST4Morice et al.(J.Geophys.Res.:Atmos.,2021)2GISTEMP v41880-2020月GHCN v4ERSST v5Lenssen et al.(J.Geophys.Res.:Atmos.,2019)3NOAAGlobalTemp-Interim1850-2020月GHCN v4ERSST v5Vose et al.(Geophys.Res.Lett.,2021)4B

49、erkeley Earth1850-2020月BerkeleyHadSST4Rohde and Hausfather(Earth Syst.Sci.Data，2020)5Kadow et al.1850-2020月CRUTEM5HadSST4Kadow et al.(Nat.Geosci.,2020)6China-MST1856-2020月CLSATERSSTv5Sun et al.(Adv.Atmos.Sci.,2021)7Cowtan and Way1850-2020月CRUTEM4HadSST3Cowtan and Way(Q.J.R.Meteorol.Soc.,2014)8Vaccar

50、o et al.1850-2020月CRUTEM4HadSST3Vaccaro et al.(J.Clim.,2021)（IPCC AR6,2021）當前北極溫度資料仍存在不足：主要覆蓋海洋，而陸地較少覆蓋時間短，不能持續穩定更新重建基礎資料誤差較大或時間分辨率較低重建結果在云覆蓋區域為缺測再分析數據非觀測資料衛星數據非直接觀測2m溫度北極格點溫度資料61序號資料起止時間時間分辨率空間分辨率插值方法基礎資料1Martin and Munoz(J.Clim.,1997)1979-19936小時100km最優插值北冰洋沿岸陸地臺站觀測，浮標觀測，船舶觀測，NP2Rigor et al.(J.Cli

51、m.,2000)1979-199712小時100km最優插值NCAR陸地觀測、浮標觀測、NP、NCEP3Huang et al.(Nat.Clim.Change,2017)1900-2014年平均5latx5lonDINEOFNOAATemp、Rigor et al.20004Dodd et al.(2019)1995-2012逐日1km基于衛星觀測ATSR-2衛星觀測、AATSR衛星觀測等5Englyst et al.(2021)2000-2009逐日0.250.25基于衛星觀測DMIEUSTACE、PROMICE站點觀測、浮標觀測、AASTI衛星數據基于器測觀測的北極溫度資料資料起止時間空

52、間范圍格點大小Mesinger et al.(Bull.Amer.Meteorol.Soc.,2006)1979-2020Mainly in North America32 km,L45Zhang et al.(J.Clim.,2016)1979-2009Arctic marginal ice zone10 km,L49Bromwich et al.(Q.J.R.Meteorol.Soc.,2016)2000-2012Most of the Arctic30 km,L7115 km,L71Dahlgren et al.(Q.J.R.Meteorol.Soc.,2016)1989-2010Mai

53、nly in Europe22 km,L60北極區域再分析資料深度學習方法的優勢：模型從訓練數據中自動學習出有用特征，減少插值過程中人為假設引入的誤差。模型訓練完成后，參數固定，重建的結果較為穩定，能夠實現實時更新。重建結果可以考慮更遠區域的觀測情況。北極溫度重建方法62資料所用方法不足HadCRUT5Gaussian process假設高緯地區的溫度變化與中緯度地區的溫度變化一致GISTEMP v4Distance Weighted InterpolationCowtan and Way(Q.J.R.Meteorol.Soc.,2014)KrigingBerkeley EarthMartin

54、 and Munoz(J.Clim.,1997)optimal interpolationRigor et al.(J.Clim.,2000)optimal interpolationNOAAGlobalTemp-InterimEmpirical Orthogonal Teleconnections重建高時間分辨率溫度如日資料不夠穩定China-MSTHuang et al.(Nat.Clim.Change,2017)DINEOFVaccaro et al.(J.Clim.,2021)Gaussian Markov random fields在極地地區缺乏觀測約束Kadow et al.(Na

55、t.Geosci.,2020)Deep Learning北極觀測數據631.GHCN(Global Historical Climatology Network)-Daily（1979-2021）NOAA全球陸地站點數據集 最早的溫度記錄在1833年比利時，數據隨時間更新 經過質量控制和訂正2.Russian North Pole drift stations（1979-1991&2003-2012）來自AARI（Arctic and Antarctic Research Institute）的冰上的站點數據 從1937年開始，一直到1991年結束；2003年后仍有數據。較為準確的觀測數據3.

56、Buoy data（1979-2021）由IABP（International Arctic Buoy Programme）進行數據匯集 浮標首次部署于1979年，但溫度主要為了校準氣壓計 既有地表溫度觀測，也有2m溫度觀測（2011后）4.ICOADS R3.0（1979-2021）提供1662年至今海洋觀測數據 包括氣溫、海表面溫度、海表面氣壓等 觀測數據經過質量控制，隨時間更新深度學習模型及重建流程64Liu et al.(Comput Vis ECCV,2018)x=WT(XM)sum(1)sum(M)+b,if sum(M)0 0,otherwise m=1,if sum(M)00,

57、otherwise 氣象場相鄰格點間溫度的聯系溫度場的空間分布特征觀測資料質量控制訂正標準化融合模型訓練訓練資料模型訓練驗證、調參測試溫度重建重建驗證重建輸出結果分析Wang et al.(Cryosphere,2019)對比了ERA-Interim、ERA-5再分析數據在北極地區的表現。結果表明，在較冷時期，ERA-I效果較好，而在較暖時期ERA5效果更好。Jakobson et al.(Geophys.Res.Lett.,2012)對比了ERA-Interim、JCDAS、NCEP-CFSR、NCEP-DOE、NASA-MERRA再分析數據在北極地區的表現。結果表明：ERA-I效果最好。G

58、raham et al.(Geophys.Res.Lett.,2019)對比了ERA5、ERAInterim、JRA55、CFSv2、MERRA2再分析數據在北極地區的表現。結果表明：ERA5、ERA-I效果最好。訓練數據選取65Lindsay et al.(J.Clim.,2014)對比了NCEP-R1、NCEP-R2、CFSR、20CR、MERRA、ERA-Interim、JRA-25再分析數據在北極地區的表現。結果表明：ERA-I效果最好。北極探空觀測數據Tara觀測數據浮標觀測通過對比：ERA-interim和ERA5表現最好CRU陸地站點觀測數據集劃分及模型訓練66訓練相關batch

59、_size：50；iterations：6000損失函數：MSE為了增加泛化能力，溫度場和二進制掩碼隨機匹配為了防止模型過擬合，每100次迭代保存模型參數并基于訓練集和驗證集計算誤差，當模型在訓練集上的誤差不再下降或是在訓練集上誤差下降但在驗證集上誤差上升則停止兩套再分析數據（ERA5、ERA-Interim）1979-2005年（訓練集）用于模型訓練，2006-2012年（驗證集）用于調試模型參數以及初步評估模型的表現，2012年之后（測試集）的數據用于結果驗證。將所有數據放入等面積網格，利用ERA5再分析數據對所有數據進行標準化。Module NameFilter SizeChannels

60、StridePaddingNonlinearityPConv1771823ReLUPConv2553622ReLUPConv3557222ReLUUpSample1-72-Concat1-72+36-PConv4333611LeakyReLUUpSample2-36-Concat2-36+18-PConv5331811LeakyReLUUpSample3-18-Concat3-18+3-PConv633311LeakyReLU基于“缺測的再分析數據”重建，得到的重建結果和再分析數據高度一致。2013-2018年期間，重建結果和再分析數據的相關系數為0.997。上述結果表明，模型能夠基于部分觀測

61、數據重建較為合理的北極溫度。方法驗證67ERA5-obsRecon1ERA5ERAI-obsRecon2ERA-I2015-03-12a、d為觀測位置的再分析數據，b、e為基于a、d的模型重建結果，c、f為再分析數據。2015-07-20與觀測數據的對比682011-2018年，重建結果與6個預留的觀測站的相關系數分別為0.996、0.981、0.962、0.985、0.995和0.973，重建效果與兩套再分析數據相當。均很接近觀測的原因可能是再分析數據已經同化地面觀測。DatasetsObservationReconERA-5ERA-InterimrRMSErRMSErRMSELand-1(

62、id RSM00020891,2011-012018-12)0.9961.550.9941.790.9941.88Land-2(id CA002100402,2011-012018-12)0.9813.910.9863.900.9833.68Land-3(id USR0000ASNI,2011-012018-12)0.9622.660.9463.440.9353.50Land-4(id USW00027401,2011-012018-12)0.9852.100.9852.430.9862.10Land-5(id RSM00023975,2011-012018-12)0.9951.580.997

63、1.350.9961.49Land-6(id NOE00134886,2011-012018-12)0.9731.680.9691.730.9900.894與陸地觀測數據對比無論是RMSE還是相關系數，重建結果要優于再分析數據。與觀測較為接近的原因可能是重建過程在北冰洋上考慮了浮標數據。對比時間段為2011年前，結果表明即使在重建過程中加入浮標地表溫度觀測，重建結果的準確度仍有較大提升。與觀測數據的對比69DatasetsObservationReconERA-5ERA-InterimrRMSErRMSErRMSENP-32(2003-062004-03)0.9942.510.9855.800

64、.9893.52NP-33(2004-092005-08)0.9862.460.9775.030.9794.15NP-34(2005-092006-05)0.9862.390.9633.830.9593.93與海洋觀測數據對比北極溫度變化趨勢70重建結果與三個廣泛使用的國際全球溫度數據集溫度變化較為一致。在2000-2021年間，重建結果比上述全球溫度數據更高。在上述數據集中，2016年和2020年分別是第一和第二溫暖的年份，比1981-2010年平均分別變暖了2.4和2.2。距平基于1981-20101979-2021北極年平均溫度變化趨勢1979-2021年期間，四個數據集幾乎在整個北極（

65、60N）都明顯變暖。重建結果、ERA5和Berkeley Earth的結果均顯示北極變暖最強地區出現在巴倫支海-喀拉海附近，而NASA GISTEMP雖然有相似的變暖特征，但變暖強度大大減弱重建結果在北冰洋中部到東西伯利亞海附近顯示出較強的變暖趨勢，但其他三套全球溫度產品在該地區沒有顯著變暖北極溫度變化趨勢711979-2021北極年平均溫度變化趨勢的空間分布(a)重建結果,(b)ERA5,(c)NASA GISTEMP v4,(d)Berkeley Earth北極正處于加速變暖中，其年平均溫度變化速率從0.402/10a增加到0.792/10a，近20年北極的變暖速率是1979-2000年的

66、1.97倍北極季節平均溫度變化除夏季外，其變暖強度均有大幅度提升，其中最明顯的為冬季，從早期的略微變冷（-0.0440.017/10a）轉為較強的變暖（1.0190.017/10a）北極溫度變化趨勢72不同時間段北極溫升速率的對比時間尺度時間段年春季夏季秋季冬季1979-20000.4020.0110.7840.0170.3070.0090.4220.016-0.0440.0172001-20210.7920.0111.0610.0180.2110.0070.930.0131.0190.017以上結果基于重建的1979-2021年北極溫度計算得到。單位：/10a北極放大效應的估計73Linea

67、r trendsRatios of the Arctic to NHRatios of the Arctic to GL(AA)ArcticNHGLOriginalReconOriginalReconRecon0.715 0.011Berkeley Earth0.689 0.010.285 0.0030.190 0.0022.422.513.523.65GISTEMP0.626 0.010.281 0.0030.190 0.0022.232.543.263.72HadCRUT50.637 0.010.282 0.0030.190 0.0022.262.543.283.69NOAA-Interi

68、m0.628 0.0110.278 0.0030.180 0.0022.262.573.413.89CMST2.00.662 0.010.282 0.0030.180 0.0022.342.543.683.97EM0.649 0.010.281 0.0030.189 0.0022.30 0.082.54 0.023.43 0.173.78 0.14NH：北半球；GL：全球；對于北極放大效應的估計，重建結果高于其他全球溫度數據（3.780.14）報告內容智能氣候預測的理念與案例基于機器學習方法的中國降水預測基于中尺度氣象同化預報和深度學習的風速預報光伏電站太陽輻射超短期預報基于深度學習的北極地區

69、格點化地表氣溫重建氣象人工智能未來發展思考人工智能給地球系統科學研究帶來新的機遇與挑戰機遇挑戰1.更準的目標識別2.更高的預測能力3.更快的預測效率1.可解釋性2.物理一致性3.求解PDE方程4.有限的樣本5.巨大的計算需求物理背景的“最后倔強”物理背景的“最后倔強”AI的應用發展很快，目前仍有發展空間，但可能有上限。AI原則上基于經驗，基于大數據，就跟依據老寒腿預報天氣、跟看云識天氣是一樣的，缺乏物理機制，雖然AI比人的智能分析和記憶力、數據量強得多。如果AI計算能力跟物理模型無限接近，估計AI可能就到頭了，接近上限。把基于經驗和大數據能做的“吃干用盡”，榨干“油水”，AI的應用就到頭了。在

70、計算技術和AI的強大“攻勢”下，我們退守到“物理機制”這一最后的小島上。地球系統模式中的模擬難點低分辨率大氣模式過程相對簡單，精度低，速度快高分辨率云解析模式過程復雜，速度慢，精度高模式模擬不確定性的重要來源：大氣中的云和輻射海洋中的渦陸地中的碳大氣模式中的智能參數化方案智能濕物理過程參數化方案干調整大氣輻射傳輸動力框架22層深度殘差網絡(Han et al.,JAMES,2020)ResCu其它濕物理過程積云對流云微物理層狀云過程邊界層顯式加入了濕靜力能守恒約束，國際同類模式降水量相關系數僅為0.39，使用該方案大幅提高至0.85，速度比云解析方案快約30倍云解析模式結果智能方案結果偏差數據

71、驅動的模式替代FourCastNet by NVIDIA 使用40年ERA5數據，10TB分辨率0.25度（7201440 pixels）比IFS模式快45,000 倍在Typhoon和Atmospheric River預報上表現良好值得重點關注的模型盤古氣象大模型Pangu-Weather使用43年ERA5數據，hourly，30TB分辨率0.25度（7201440 pixels）AI預報能力首次超過IFS迭代預報誤差累計、依賴于NWP、降水預報以物理學為基礎的機器學習Principles of physics-informed learning（Karniadakis et al.,Nat

72、ure Review Physics,2021）將物理約束融入神經網絡中，不僅能減少對訓練數據量的需求，還能大大提高模型的合理性和泛化能力。究竟如何在機器學習模型嵌入物理約束？網絡結構網絡幾何殘差懲罰未來的智能模式智能模式1.0版本智能模式2.0版本智能模式3.0版本智能模塊替代智能模式替代數據驅動和物理驅動混合“AI+氣象”的可解釋性研究現階段，深度學習模型缺乏足夠的數學理論分析，針對可解釋性的神經網絡架構和相應的數學分析工具仍然具有較大的探索空間。氣象大模型的低成本泛化與遷移研究大規模氣象模型的訓練過程需要龐大的計算資源，其業務化應用必須考慮泛化能力和遷移成本，這必然將朝著泛化能力更強的算

73、子學習領域發展。物理-數據融合驅動的建模研究AI氣象模型在長時序的預報中可能輸出不符合基本物理約束的結果。在數據驅動的基礎上引入物理約束，不僅可以增強AI模型的可解釋性，還有助于提高預報能力。數值模式和人工智能相互結合和促進人工智能的快速發展給數值模式的發展提供了新的機會，例如人工智能已經在模式參數化研發、過程理解、參數估計、模式優化、模式模擬后處理和誤差訂正、空氣質量預測、可預報性研究等方面得到廣泛應用。更多圈層變量和過程的引入及AI地球系統模式發展目前，大多數AI模型只建模單個圈層變量（例如僅大氣或海洋），引入多圈層相互作用對較長時間尺度的天氣和氣候研究至關重要，多圈層的AI模型有望解決當

74、前次季節到季節的預報難題。氣象人工智能未來發展方向 開展人工智能與氣象行業相關的科研項目攻關和課題研究，推動關鍵技術和方法的發展，促進對氣象領域基礎學科的探索；參與制定和推廣人工智能氣象應用的技術標準和規范，確保技術的可靠性，推動相關數據和技術的標準化與規范化；促進相關科研機構、高校和企業合作，推動產學研一體化發展，推廣成功的應用經驗和技術成果，促進科技成果轉化；開展國內外人才培養、合作與交流活動，推動人工智能技術在氣象領域的理論和實踐創新，提升從業人員的專業水平和技術能力。推進氣象人工智能發展建議中國氣象局雄安氣象人工智能創新研究院中國氣象學會第29屆理事會成立氣象人工智能專業委員會88聯系方式羅 勇辦公室：清華大學蒙民偉科技大樓南樓S-807固定電話：010-62788891手機號碼：13911316530電子郵箱：微信號：JakeYLuoTHANKS氣候-水-能源研究組Climate-Water-Energy Research Group