谷歌AI模型胜过气象预测传统方法

---

　　据外媒报道，几周前，谷歌人工智能(AI)使用了一个机器学习模型来改进对乳腺癌的筛查工作。现在，这家公司已经在即时预报降水中使用了卷积神经网络(CNN)。谷歌 AI 研究人员在一篇名为《Machine Learning for Precipitation Nowcasting from Radar Images》的文章中提到了其在降水短期预测中对 CNN 的利用。

　　结果看起来似乎很有前景，按照谷歌自己的说法，其得到的结果比传统方法还要好：这种降水即时预报侧重于0-6 小时预报，它可生成的分辨率为 1 公里、总延迟只有5-10 分钟的预报（包括数据收集延迟），甚至在开发的早期阶段其表现也优于传统模型。

　　据了解，传统方法需要结合对大气如何工作的先验知识，而这批研究人员使用的“物理自由”法却将天气预报问题变成了一个单独的从图像到图像的转换问题。因此，由团队训练的 CNN--U-Net--只需要对提供给它的训练例子估计大气物理。

　　为了训练U-Net，团队使用了多光谱卫星图像。从 2017 年到 2019 年在美国大陆收集的数据被用于最初的训练。更具体一点来说，数据被分成了四个星期的数据块，其中最后一个星期用作评估数据集，其余的则用作培训数据集。

　　不同于传统即时预报采取的高分辨率快速刷新(HRRR)数值预报、光流(OF)算法和持久性模型的是，U-Net 模型利用精度图和回忆图的方法所表现的预报质量更优。

　　此外，该模型还提供了瞬时预测。这是一个额外的优势，因为传统的方法如 HRRR 计算延迟时间有1-3 小时。这使得机器学习模型能够处理新的数据。不过 HRRR 中使用的数值模型可以做出更好的长期预测，部分原因是它使用了一个完整的 3D 物理模型--从 2D 图像中很难观察到云的形成，所以对于机器学习来说学习对流过程显得更难。

　　谷歌认为，将 HRRR 和机器学习模型这两种方法结合起来可能会带来更好的效果，因为这两种方法可以实现准确、快速短期以及长期预测。这家公司表示，他们有在考虑未来将机器学习技术直接应用到 3D 观测中。