隨著氣候預測、氣候模擬、智慧氣象、并行計算集群、氣象大數(shù)據(jù)平臺、高性能數(shù)值計算、氣象高性能計算集群的發(fā)展，人類步入全新的人工智能大數(shù)據(jù)時代。為切實發(fā)揮應(yīng)對氣候變化基礎(chǔ)科技支撐作用，科學認識氣候系統(tǒng)變化的新事實、新趨勢，滿足國家和區(qū)域應(yīng)對氣候變化和綠色低碳發(fā)展的服務(wù)需求。本文使用參數(shù)非參數(shù)和機器學習方法分析印度降雨變化，給我國帶來的啟示進行展開討論。

關(guān)于印度降雨研究

探索各地降雨的時空分布和降雨模式變化是水資源管理與規(guī)劃、農(nóng)業(yè)可持續(xù)發(fā)展等部門的基本要求。本研究利用34個氣象分區(qū)的整體數(shù)據(jù)、變化點等幾個方面調(diào)查了年降雨量的變異性和趨勢。調(diào)查顯示，印度西部各分區(qū)的年降雨量變化最高，而印度東部和北部的降雨量變化最小。

1960年后，大多數(shù)氣象分區(qū)的降雨量與多年長期平均降雨量的偏差超過?500mm，而少數(shù)幾個分區(qū)的降雨量則為正向偏離。因此，從詳細分析中可以確定，幾乎所有的分區(qū)在1970年之后都出現(xiàn)負趨勢和高變異性。所以這些關(guān)于全國歷史數(shù)據(jù)的詳細信息對規(guī)劃非常有益。在本研究中，所有氣象分區(qū)的降雨量都是使用先進的AI模型（如人工神經(jīng)網(wǎng)絡(luò)）預測的。降雨預報的結(jié)果表明，到2030年，15%的降雨量將下降，這表明環(huán)境和生活世界都將出現(xiàn)令人擔憂的情況。

印度的經(jīng)濟完全依賴于農(nóng)業(yè)和工業(yè)。因此，水資源是印度經(jīng)濟進步的重要組成部分。由于全球氣候變化對降雨模式的干擾，所以在發(fā)達國家展開了以量化降雨變化模式并相應(yīng)地制定管理計劃的研究。本研究提供了全年和季節(jié)性降雨的整體變化點的降雨變化趨勢，自變化點以來的降雨變化率，年份明顯的偏離和未來降雨等各個方面的信息，最重要的是本研究分析了印度降雨變化的原因。從技術(shù)上講，本研究使用了幾種復雜的技術(shù)，這些技術(shù)因提供高精度結(jié)果而受到全世界科學家的欽佩。

本研究中設(shè)計技術(shù)：

一、曼恩-肯德爾法

曼－肯德爾法又稱Mann—Kendall 檢驗 法，是一種氣候診斷與預測技術(shù)，非參數(shù)方法。應(yīng)用Mann-Kendall檢驗法可以判斷氣候序列中是否存在氣候突變，如果存在，可確定出突變發(fā)生的時間。Mann-Kendall檢驗法也經(jīng)常用于氣候變化影響下的降水、干旱頻次趨勢檢測。

上海年平均氣溫曼-肯德爾統(tǒng)計量曲線

二、概率和確定性方法

采用人工神經(jīng)網(wǎng)絡(luò)（一種流行的AI模型）來預測34個氣象分區(qū)的降雨量。ANN 是一個非線性黑盒 AI 模型（工作原理類似于并行分布式信息處理系統(tǒng)，反映了大腦的生物結(jié)構(gòu)，由簡單的神經(jīng)元和處理信息以在輸入和輸出之間建立關(guān)聯(lián)的鏈接組成。）。與大腦的功能一樣，ANN模型正在使用前饋多層感知器算法工作。該結(jié)構(gòu)由三層組成，如輸入層、一個或多個隱藏層和一個輸出層。我們通過試錯程序選擇了隱藏層中的神經(jīng)元數(shù)量。ANN學習基于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，即封閉對存在于神經(jīng)元核心中的突觸鏈接的調(diào)整。

ANN 人工神經(jīng)網(wǎng)絡(luò)

三、Sen+MK趨勢分析

Sen 斜率估計用于計算趨勢值，通常與MK非參數(shù)檢驗結(jié)合使用。即首先計算Sen趨勢值，然后使用MK方法判斷趨勢顯著性。

四、ArcGIS 克里金法

該方法基于包含自相關(guān)（即，測量點之間的統(tǒng)計關(guān)系）的統(tǒng)計模型。因此，統(tǒng)計方法不僅具有產(chǎn)生預測表面的功能，而且能夠?qū)︻A測的確定性或準確性提供某種度量。

克里金法假定采樣點之間的距離或方向可以反映可用于說明表面變化的空間相關(guān)性。克里金法工具可將數(shù)學函數(shù)與指定數(shù)量的點或指定半徑內(nèi)的所有點進行擬合以確定每個位置的輸出值?？死锝鸱ㄊ且粋€多步過程；包括數(shù)據(jù)的探索性統(tǒng)計分析、變異函數(shù)建模和創(chuàng)建表面，還包括研究方差表面。該方法通常用在土壤科學和地質(zhì)中。

當前我國氣候現(xiàn)狀

隨著全球氣候變暖等問題的出現(xiàn)，下面從大氣圈、水圈、冷凍圈、生物圈方面介紹我國氣候現(xiàn)狀。

一、大氣圈

1、平均年降水量呈增加趨勢，降水變化區(qū)域間差異明顯。1961～2021年，平均年降水量呈增加趨勢，平均每10年增加5.5毫米；2012年以來年降水量持續(xù)偏多。2021年，平均降水量較常年值偏多6.7%，其中華北地區(qū)平均降水量為1961年以來最多，而華南地區(qū)平均降水量為近十年最少。

2、高溫、強降水等極端天氣氣候事件趨多、趨強。1961～2021年，極端強降水事件呈增多趨勢；20世紀90年代后期以來，極端高溫事件明顯增多，登陸臺風的平均強度波動增強。2021年，平均暖晝?nèi)諗?shù)為1961年以來最多，云南元江（44.1℃）、四川富順（41.5℃）等62站日最高氣溫突破歷史極值。1961～2021年，北方地區(qū)平均沙塵日數(shù)呈減少趨勢，近年來達最低值并略有回升。

1901~2021年中國地表年平均氣溫距平（相對1981～2010年平均值）

二、水圈

1、沿海海平面變化總體呈波動上升趨勢。1980～2021年，沿海海平面上升速率為3.4毫米/年，高于同期全球平均水平。2021年，沿海海平面較1993~2011年平均值高84毫米，為1980年以來最高。

2、地表水資源量年際變化明顯，近二十年青海湖水位持續(xù)回升。2021年，地表水資源量接近常年值略偏多；遼河、海河、黃河和淮河流域明顯偏多，其中海河流域地表水資源量為1961年以來最多；珠江和西南諸河流域較常年值偏少。1961～2004年，青海湖水位呈顯著下降趨勢；2005年以來，青海湖水位連續(xù)17年回升；2021年青海湖水位達到3196.51米，已超過20世紀60年代初期的水位。

1980～2021年中國沿海海平面距平（相對于1993～2011年平均值）

三、冰凍圈

1、青藏公路沿線多年凍土呈現(xiàn)退化趨勢。1981～2021年，青藏公路沿線多年凍土區(qū)活動層厚度呈顯著增加趨勢，平均每10年增厚19.6厘米；2004～2021年，活動層底部（多年凍土上限）溫度呈顯著上升趨勢。2021年，青藏公路沿線多年凍土區(qū)平均活動層厚度為250 厘米，是有觀測記錄以來的最高值。

2、北極海冰范圍呈顯著減少趨勢。1979～2021年，北極海冰范圍呈一致性的下降趨勢；3月和9月北極海冰范圍平均每10年分別減少2.6%和12.7%。1979～2021年，南極海冰范圍無顯著的線性變化趨勢；1979～2015年，南極海冰范圍波動上升；但2016年以來海冰范圍總體以偏小為主。

青藏公路沿線多年凍土區(qū)活動層厚度和活動層底部溫度變化

四、生物圈

20世紀70年代以來中國沿海紅樹林面積總體呈先減少后增加的趨勢。2020年，中國紅樹林總面積基本恢復至1980年水平。

1、整體的植被覆蓋穩(wěn)定增加，呈現(xiàn)變綠趨勢。2000~2021年，中國年平均歸一化植被指數(shù)（NDVI）呈顯著上升趨勢。2021年，中國平均NDVI較2001~2020年平均值上升7.9%，較2016~2020年平均值上升2.5%，為2000年以來的最高值。

2000～2021年衛(wèi)星遙感（EOS/MODIS）中國年平均歸一化植被指數(shù)

2、中國不同地區(qū)代表性植物春季物候期均呈提前趨勢，秋季物候期年際波動較大。1963～2021年，北京站的玉蘭、沈陽站的刺槐、合肥站的垂柳、桂林站的楓香樹和西安站的色木槭展葉期始期平均每10年分別提早3.5天、1.5天、2.5天、3.0天和2.8天。

1963～2021年中國不同地區(qū)代表性植物展葉期始期變化

藍海大腦氣象數(shù)據(jù)解決方案

某省是我國受臺風、暴雨、干旱、寒潮、大風、冰雹、凍害、龍卷風等災(zāi)害影響最嚴重地區(qū)之一。在氣象災(zāi)害相對頻發(fā)的情況下，某省氣象局在服務(wù)經(jīng)濟社會發(fā)展中作用日益突出，提高氣象觀測、數(shù)據(jù)共享和精細化預報水平變得至關(guān)重要。通過與藍海大腦合作，擺脫原有IT基礎(chǔ)構(gòu)架對于氣象工作的限制，實施彈性的統(tǒng)一架構(gòu)，實現(xiàn)了高水平的氣象觀測、預測和服務(wù)業(yè)務(wù)。

一、客戶需求

由于天氣預報模擬具有計算量大、通訊密集、I/O要求高和規(guī)范的模式系統(tǒng)化集成等特點，對高性能計算系統(tǒng)的計算性能有著超高的要求，具體要求表現(xiàn)如下：

1、計算量大

氣象預報本身具有時效性，要求定時定點自動運行，無需人工干預。一般每天在固定的2-4個時段運行，每個時段2小時內(nèi)運行完。因此，必須使用計算性能卓越的高性能計算系統(tǒng)來進行并行計算。

2、通訊密集

由于采用并行計算，因此各CPU間的通訊量很大。主要體現(xiàn)在WRF各計算域間的通訊及各類不同數(shù)據(jù)劃分間的通訊。因此，要求本高性能計算系統(tǒng)在具有高性能計算的同時，兼具高性能的通訊網(wǎng)絡(luò)。

3、I/O要求高

由于涉及大量的用戶和大量的小文件讀寫，氣象模式對整個系統(tǒng)的IOPS性能有較高要求，存儲系統(tǒng)的穩(wěn)定性和可用性對整個業(yè)務(wù)系統(tǒng)的運行至關(guān)重要，要求存儲系統(tǒng)具有故障自愈功能。另外，考慮到氣象數(shù)據(jù)的周期性訪問特點，需要支持基于策略的分級存儲功能。

4、模式系統(tǒng)集成化

從軟件的處理流程上看，一般分為前處理、主模式和后處理。整個模式系統(tǒng)從前處理到主模式再到后處理，需要系統(tǒng)具有較高的穩(wěn)健性，所以優(yōu)秀的模式軟件應(yīng)用專家支持、硬件級的系統(tǒng)技術(shù)支持，對預報模式的良好使用也是關(guān)鍵。

二、解決方案

藍海大腦依托接收的常規(guī)氣象觀探測資料、氣象衛(wèi)星資料、雷達資料、數(shù)值預報產(chǎn)品等多源數(shù)據(jù)，基于定量反演、機器學習、云計算、云存儲、大數(shù)據(jù)分析、 快速循環(huán)同化、虛擬現(xiàn)實等前沿技術(shù)，研發(fā)了具備多元化高性能算力、精準化短臨預報、一站多源數(shù)據(jù)融合及多樣化氣象服務(wù)等優(yōu)勢的氣象大數(shù)據(jù)平臺，面向整個氣象行業(yè)提供信息化系統(tǒng)頂層設(shè)計、 軟件研發(fā)應(yīng)用、數(shù)據(jù)共享服務(wù)等，同時也向道路、航空、物流、農(nóng)業(yè)等行業(yè)領(lǐng)域開展針對性的精準氣象預報保障服務(wù)。

為滿足客戶需求，結(jié)合行業(yè)特點從計算節(jié)點、網(wǎng)絡(luò)、存儲、功耗、擴展、散熱等方面出發(fā)，提出完善的解決方案。

1、計算節(jié)點

采用高性能英特爾酷睿系列處理器，計算節(jié)點采用雙路混搭方案。四路計算節(jié)點依靠其突出的計算能力與內(nèi)存容量，可在一臺機器上完成中小模式的處理分析，減少資料預處理、計算、分析的時間，提高計算效率。

2、高速網(wǎng)絡(luò)

采用高性能專用高速IB網(wǎng)絡(luò)，將計算節(jié)點、管理節(jié)點、登錄節(jié)點全線速互聯(lián)，保證集群通訊網(wǎng)絡(luò)的高性能。并將NAS存儲通過萬兆連入高速網(wǎng)絡(luò)，配合集群并行文件系統(tǒng)，實現(xiàn)全部節(jié)點的數(shù)據(jù)共享。

3、存儲系統(tǒng)

綜合以往存儲硬件解決方案，系統(tǒng)應(yīng)用要求存儲設(shè)備具備的特點及藍海大腦在多年高性能計算領(lǐng)域的實施經(jīng)驗，充分滿足用戶現(xiàn)階段使用及未來擴展需求。

4、低功耗

解決方案不僅強調(diào)整體運算效率，同時強調(diào)單位體積內(nèi)的計算能力以及單位能耗可提供的計算能力。

5、可擴展

計算系統(tǒng)采用機架式服務(wù)器，既可保證節(jié)點內(nèi)的擴展性，又可保證整個集群的橫向擴展性?？傮w上，滿足用戶對未來集群的擴展需求。

6、液冷散熱

藍海大腦液冷服務(wù)器 HD210 H系列突破傳統(tǒng)風冷散熱模式，采用風冷和液冷混合散熱模式——服務(wù)器內(nèi)主要熱源 CPU 利用液冷冷板進行冷卻，其余熱源仍采用風冷方式進行冷卻。通過這種混合制冷方式，可大幅提升服務(wù)器散熱效率，同時，降低主要熱源 CPU 散熱所耗電能，并增強服務(wù)器可靠性。經(jīng)檢測，采用液冷服務(wù)器配套基礎(chǔ)設(shè)施解決方案的數(shù)據(jù)中心年均 PUE 值可降低至 1.2 以下。

三、用戶收益

1、資源重新整合，實現(xiàn)更好的業(yè)務(wù)連續(xù)性

通過應(yīng)用的分區(qū)分域部署，顯著提高關(guān)鍵應(yīng)用程序的性能、穩(wěn)定性和容量，從而更好的保障業(yè)務(wù)連續(xù)性。

2、氣象信息分發(fā)服務(wù)更高效

幫助客戶建立更高效、及時的氣象信息分發(fā)服務(wù)，以減輕極端天氣事件對某省社會和經(jīng)濟結(jié)構(gòu)的影響。

3、數(shù)據(jù)安全性提升，人力投入降低

整合后的架構(gòu)將加強災(zāi)難恢復計劃，降低管理復雜性和成本，解放氣象局的團隊，使其專注于更具戰(zhàn)略性的任務(wù)。

4、運營敏捷性提升，快速響應(yīng)資源請求

穩(wěn)定、安全的新存儲，可有效地管理和保存大量雷達數(shù)據(jù)。統(tǒng)一的基礎(chǔ)架構(gòu)將有助于優(yōu)化運營敏捷性,使氣象局能夠快速響應(yīng)開發(fā)團隊對資源的請求。

審核編輯 黃昊宇