“Google AI推出即时天气预报：1公里以内，0”

本篇文章3335字，读完约8分钟

新智元报道来源:谷歌blog :张佳，shao【新智元领先】最近，谷歌详细介绍了即时进行天气预报的ai系统。 1公里以内，0-6小时的天气可以立即得到，今后不用担心天气预报会不准确。 我知道在右边的链接上戳新的智元小程序越来越多！

你被天气预报“坑”过吗？ 预报说明天晴天会阴天，却迎来了倾盆大雨……

现在ai终于解决了这个难题。

最近谷歌发布了即时天气预报: 1公里范围内，0-6小时的天气可以即时获得。

在题为“Machinelearningforprecipitationnowcastingfromradarimages”(根据雷达图像进行降水附近预报的机器学习)的论文中，谷歌AI的研究者与“开发降水预测的机器学习模型”进行了对比 应用了该模型的该降水接近预报，与06小时的预报相比，在模型开发的初期阶段，也能够生成分辨率1 km的预报(数据收集延迟只有510分钟)，优于以往的模型。

庞大的观测数据，从以前开始天气预报就很花时间，效果不好 。

世界各地的气象机构都有广泛的监视设施。 例如，多普勒雷达实时测量降水，气象卫星提供多光谱图像，地面站直接测量风和降水。

下图比较了美国大陆降水的假颜色合成雷达图像和地球同步卫星图像的云层，证明了对多源气象新闻的指控。 雨的存在与云的存在有关，但不完全相关。 这是因为只有根据卫星图像推测降水才是挑战。

上图:表示用地球同步卫星测量的云的位置的图像。 下图:显示多普勒雷达站测量的降雨位置的雷达图像。 但是，并非所有这些测量方法在全世界都同样适用。 例如，雷达数据主要来自地面站，通常在海洋中无法获得。

另外，复盖范围因地理位置而异，即使部分位置有良好的卫星复盖范围，雷达复盖范围也可能不理想。

另一方面，美国国家海洋和大气管理局收集的遥感数据现在每天达到100 tb，包括大气动力学和热辐射、植被、湖、海洋效应等各种效果。 如此庞大种类的观测数据，预测系统很难全部纳入。

计算资源的可用性在一些方面也限制了数值天气预报的能力。 例如，计算诉求将空之间的分辨率限制在约5公里，不足以处理市区和农田内的气象模式。

数值的制作还需要几个小时。 如果计算一个预测需要6个小时，则一天只能运行3到4次，根据6个小时以上的旧数据进行预测在及时理解现实方面受到限制。

雷达对雷达预报

作为系统能够生成的预测类型的典型例子，考虑雷达的雷达预测问题:给出过去1小时的一系列雷达图像，预测从现在起n小时后的雷达图像。 这里，n一般是0到6小时的范围。

因为雷达数据被组织成图像，所以可以把这种预测转换成计算机的视觉问题，从输入图像序列推测天气变化。

在这些短时间尺度下，进化主要受到云运动的平流和云形成对流两个物理过程的影响，两个过程都受到当地地形和地理的显着影响。

上(从左到右):前三个面板显示了距现在60分钟、30分钟和0分钟前的雷达图像。 这是需要预测的要点。 最右边的面板显示60分钟后的雷达图像，即接近预报的地面实际情况。 左下:使用光流( of )算法对来自上三个面板的数据进行平流建模以进行比较的矢量场。 光流是20世纪40年代开发的计算机视觉方法，经常用于预测短期天气的变化。 右下:根据of进行的样品预测。 请观察仔细跟踪左下角的降水运动，但无法证明暴风雨的衰减强度。

研究者采用数据驱动的物理方法。 也就是说，神经网络只从训练例子中学习与大气物理相近的知识，不是与大气结合实际工作的先验知识。 把天气预报看作是从图像到图像的转换问题，利用图像分解中的最新技术——卷积神经网络( cnn )。

cnn一般由线性层序列构成，各层是将一些输入图像转换为新的输出图像的一系列操作。

通常，除了使用一组卷积滤镜对图像进行卷积外，图层还会更改通道数量和该图像的整体分辨率。 这些滤镜本身就是小图像(通常是3×3或5×5像素)。 过滤器驱动cnn的大部分功能，引起边缘检测、有意义的模式识别等操作。

cnn的特别有效的类型是u-net。 u-net具有在编码阶段排列的序列，各层反复降低通过它们的图像的分辨率，然后，在解码阶段，在编码阶段生成的图像的低维表现被扩展到更高的分辨率。 下图显示了特定u-net的所有层。

( a ) u网的整体构成。 蓝色框对应于基本的cnn层。 粉红色的方框对应于缩减取样层。 绿色框对应于上采样层。 实线表示层之间的输入连接。 虚线表示跨越u-net编码和解码阶段的长跳过连接。 虚线表示每个层的短跳跃连接。 ( b )在基层的操作。 ( c )在下采样层上的操作。 ( d )上采样层上的操作。

u-net的输入是包含过去1小时观测序列中各多光谱卫星图像通道的图像。 例如，在过去1小时收集10张卫星图像，各多光谱图像以10种不同的波长拍摄的情况下，我们模型的图像输入是100通道的图像。

在雷达雷达预测中，输入是过去1小时30次雷达观测的序列，以2分钟为间隔，输出包括从现在开始n小时的预测。

研究者在美国的初步工作中，从年到2019年对美国大陆的历史观测数据进行了系统模型训练。 把数据分成4周，其中各时期的前3周的数据用于模型训练，第4周的数据用于模型判定。

新模型优于以前传递的模型，机器学习可以实时预测 。

研究者将预测结果与三个广泛采用的模型进行了比较。

第一个是来自美国海洋大气局( noaa )的高分辨率高速刷新( hrrr )数值预报。

第二种是试图从一系列图像中跟踪移动体的光流( of )算法。

第三个是被称为持续性模型的琐碎模型，假设各个位置的降水模式不变，降雨量与现在的降雨量相同。

相比之下，这似乎是过于简单的模型，但考虑到天气预报的难度，这是常见的方法。

可视化大约一天内进行的预测的左边。 在一个小时的顶部进行的一个小时的hrrr预测，即hrrr提供了多长时间的预测。 中:现实情况，也就是我们试图预测的事实。 右:根据研究者模型的预测。 预测是每两分钟(每15分钟在此显示)，大约是hrrr创建的空之间分辨率的10倍。 观察，预测捕捉到暴风雨的整体动作和整体形状。 研究者用精密和召回图比较了模型。 我们可以直接访问自己的分类器，所以如下图中的蓝线所示，提供了完美的公关曲线。

但是，由于我们不能直接访问HRR模型，持久性模型和操作性模型都没有权衡精度和再现率的能力，所以这些模型只能在个别方面表现。

你会发现我们神经网络预测的质量比所有三个模型都好(因为蓝线比其他模型的所有结果都高)。 。 但是，当预测级别达到约5到6小时时，hrrr模型将开始超过当前结果。

研究者用精度和召回率( pr )图比较了模型。 这里提供了完整的pr曲线，因此可以直接访问自己的分类器(下图中的蓝线所示)。 。

但是，由于无法直接访问HRR模型，因此在持久性模型和of中都没有权衡精度和召回能力，所以这些对象模型只在一点上表示。

可以看出神经网络的预测质量比所有这三个模型都好(因为蓝线比其他模型的所有结果都高)。 。 请注意，当预测范围达到约5到6小时时，hrrr模型将开始超过模型的当前结果。

左:预测小雨。 右:中雨预报精度和召回率( pr )曲线将预测结果(蓝色实线)与光流( of )、持续性模型、hrrr 1小时预测进行了比较。 由于无法直接访问该分类器，因此无法为其结果提供完美的pr曲线。

机器学习的优点之一是可以进行实时预测，这意味着所有预测都是基于新数据的，以前传输的预报模型( hrrr )受到13小时计算延迟的影响，计算机视觉方法对于非常短期的预测

相比之下，传统模型采用的数值模型采用了高级三维物理模型，因此可以进行更好的长期预测。 这是因为很难从2d图像中注意云的形成。 因为这个机器学习很难学习对流过程。

将快速预测的机器学习模型与迄今为止长期预测的模型相结合，有可能产生更好的整体结果，这是研究者将来的工作重点。

另外，还可以考虑将机器学习直接应用于三维观测。 无论如何，实时预测都是实时计划、促进决策和改善生活的重要工具。

本文是首次在微信公共平台上发表:新智元。 复印件是作者个人的观点，不代表搜狐网的角度。 投资者据此，风险请自己承担。

来源：搜狐微门户