气象领域对当前天气实况更精准的观测和预报,一直是倍受关注的重点问题。随着海量历史基础数据的积累与超级计算机算力的进步,目前天气预报越来越准确。但随着对精细化格点预报的要求逐步提高,预报区域不断精细化,从原来的市级预报逐步过渡到县级预报、街区预报。数值模式的精细化建模与求解的压力也愈渐增加,逐步遇到了瓶颈。近年来,大数据技术与人工智能技术的飞速发展为气象领域充分挖掘海量历史数据价值提供了生机,逐步实现以数据驱动的思路来解决气象领域的问题。目前人工智能在气象领域的应用课题已成为研究热点,在气候研究、海洋台风预报预警、海雾预报、短时临近天气预报等业务中都结合了最新的机器学习相关算法。具体研究的课题有天气雷达的质量控制、信号外推、定量降水估测、强对流天气识别、预警,环境预报,风暴环境识别,天气系统识别等。本文针对三个重要且具有挑战性的问题展开研究,主要研究内容如下:(1)精细化格点预报订正问题研究。首先与湖南省气象业务部门合作,共同制定了气象领域中针对天气预报格点数据标准数据集格式,为以后类似研究提供了一种标准处理方式。提出了基于混合注意力机制的时空格点预报订正算法。对欧洲中期天气预报中心的逐12小时预报数据进行订正。并采用传统的机器学习验证指标和气象领域中常用的统计学检验、天气学检验等多种方式验证算法的实际效果。实验表明,在实际业务中,本文方法是一种有效的客观订正方法,能够为预报工作人员提供重要参考。(2)复杂地基云状全分类识别问题研究。该问题一直是地面观测中比较困难的项目,因云状类别数量多、部分类间差别很小,又受各种天气情况的影响,在人工观测项目中受主观和客观因素较大。前期对云状进行客观观测的研究中,大多都只能对其中的云族,或是云属,或是部分云状进行识别,基本只能识别10类左右,而且精度不高,无法与人工观测相比。本文提出一种基于先验能见度特征与全局特征相结合的混合复杂云状分类算法,针对全部29类云状进行识别,并对不同地域、不同镜头进行了优化。该算法在中国气象局2019年组织的天气现象视频智能观测仪测试中获得第一名。(3)雷达定量降水估测研究。针对雷达定量降水估测中存在的各类误差情况,本文提出一种基于时空特征学习模型的定量降水估测算法,使用类编码器-解码器结构的卷积神经网络提取雷达反射率因子的空间特征,提高输入精准度,并结合时序特征,设计了多种时序网络结构进行测试实验,采用统计学检验和天气学方法分析了基于时空网络的定量降水估测算法反演效果,实验结果表明,本文算法能够较好地反演出对应降雨信息,提高了定量降雨估测准确率。