谷歌發(fā)布神經天氣模型，可精準預測未來8小時降雨

（文章來源：十輪網）

Google基于之前以機器學習即時預測降雨的研究，進一步發(fā)展用于降雨預報的神經天氣模型MetNet，這是一個深度神經網絡（DNN），能用來預報未來8小時內的降雨情況，以每2分鐘為一個區(qū)間，分辨率可達1公里，且比起美國國家海洋與大氣管理局（NOAA）目前最先進物理模擬模型表現(xiàn)還要好，計算時間只需要幾秒鐘，較原本需要1小時的運算時間快上不少。

Google提到，許多氣象機構目前的預報系統(tǒng)，都是采用大氣物理模型，雖然過去幾年預測技術有很大的進展，但是仍受物理定律和計算需求局限。而Google發(fā)展的天氣預報方法，則是以深度神經網絡進行預測，這種方法不需要計算明確的物理定律，而是通過發(fā)現(xiàn)資料中的模式，并且計算輸入到輸出之間的復雜轉換。

新發(fā)布的MetNet可以直接自動取用，來自多雷達多傳感器系統(tǒng)（MRMS），以及NOAA靜止環(huán)境觀測衛(wèi)星（GOES）系統(tǒng)，由上而下的大氣云圖，而且不需要經人為注釋，這兩個人信息料源可以完全覆蓋美國境內，并且提供模型能方便處理的類圖像資料。

MetNet以1公里的分辨率，計算每個覆蓋美國的單位區(qū)塊，而每單位區(qū)塊范圍為64*64平方公里，不過，Google解釋，輸入資料實際覆蓋的單位區(qū)塊，比起輸出資料的單位區(qū)塊還要大得多，這是因為要考慮預測時間內云層和降水區(qū)域可能的移動。

假設云層以每小時60公里的速度移動，為了要足夠精確地預測8小時后情況，MetNet在所有方向都需要截取60*8的空間，因此要對64*64平方公里的區(qū)域進行預測，就要用到涵蓋1024*1024平方公里區(qū)塊的資料。

但因為處理1024*1024平方公里的資料需要極大量的內存，因此Google利用采樣的方式，減少需要處理的空間維度，借以降低內存使用，并且以15分鐘為一個單位，對輸入的資料進行快照編碼，接著找出資料內長距離空間相依關系，以最終產生64*64平方公里的輸出。這個輸出為離散的幾率分布，估計了美國每平方公里的降雨幾率。

Google將MetNet和另外兩種常用的天氣預測基準做比較，分別是NOAA的HRRR系統(tǒng)，HRRR系統(tǒng)是美國目前正在使用的物理天氣預報系統(tǒng)，另一種則是用來評估大氣活動的光流法（Optical Flow），可有效地預測2小時內的降雨。

MetNet明顯的優(yōu)勢是優(yōu)化了計算過程，無論是針對特定位置或是整個美國進行計算，都可以在幾秒鐘內取得預測結果，HRRR之類的物理模型，則需要在超級計算機上計算約1小時。在精確度上，在8小時內的降雨預測精確度，MetNet可以勝過HRRR，而且始終比光流法還要好。不過，HRRR物理模型預測出來的結果，比MetNet更清楚也更加結構化。
（責任編輯：fqj）