携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第30天，点击查看活动详情
Earth Risk采用 ECMWF的数据预测技术，采用多种智能模型框架，研制TempRisk Apollo方法，通过中国气象局与清华大学合作，采用分布式深度学习架构和空间-时间-记忆深度循环网络，将预测准确度提高40%。由于越来越多的智能手机能够测量大气压力、温度、湿度等环境指标，很多公司和个人都在研发安卓软件，可以采集到智能手机的压力和方位，比如 Cumulonimbus公司开发的“Pressure-Net”，现在每个小时都能采集到成千上万的气压数据。英国纽卡斯尔大学气象信息专家在一篇文章中表示，将机器学习与数字仿真相结合，将会提升气象预测的水平，同时也会为机器学习的创新研究提供动力。现在比较关注的领域是使用机器学习工具加速数值预报流程的各个环节。学习和数据挖掘方法通过将模型输出与观测值融合，从而在预测模型中相关信息为预测者和用户提供额外的决策支持，目前已在强对流天气的监测预警中广泛应用。目前，主要的强对流天气监测和预警主要是建立在有关物理参数的基础上，如利用卷积网络进行强对流的监测和预警，虽然这种方法可以有效地辅助强对流的探测，但是它所需的数据很多，而且在实际运行中，强对流的各种形态如飓风、气旋等，要做到这一点，要花费很多的人力、物力、财力。因此，Racah等人提出了一种利用多通道时空编码-译码器刻画数据特性的方法，将多通道数据、时域转换数据和非标记数据进行拟合，以达到强对流天气检测的目的。
利用机器学习技术，北京市气象局对强降雨、巨大喷流等气象现象进行了预报。利用阿里平台，深圳市气象中心进行了短时近雨雷达回波预报。在我国对气象信息系统的建设中气象部门已经积累了大量的数据。因此，利用这些数据进行有效的挖掘和挖掘，是当前研究者所要解决的问题。
