AI改變天氣預報！ 90 分鐘後，1 秒內計算出降雨量，DeepMind 的論文發表在 Nature 上。

9月30日的好消息谷歌母公司Alphabet旗下英國頂級AI研究院DeepMind再次放大！

這一次，DeepMind 專注於關鍵的天氣預報挑戰，並與英國氣象局合作應用人工智能來預測降雨量。預測模型更準確地預測未來1-2小時的降雨量..

▲ DeepMind 的 AI 模型提前 90 分鐘預測天氣事件

根據論文，DeepMind 使用深度生成模型來實現準確的降雨預測。借助 NVIDIA V100 GPU，該模型可以在短短 1.3 秒內生成近乎全分辨率的天氣預報樣本。..

根據DeepMind的研究團隊，氣象學家評價DeepMind提出的新AI模型普遍比傳統方法更樂觀，使用AI顯著提高準確性，為新的天氣預報方法的改進鋪平了道路。

這項研究剛剛以“Skillful Rainfall Nowcasting Using Radar Depth Generation Models”為題發表在頂級學術期刊Nature上。這篇論文系統地組織和描述了模型、數據和驗證方法。

此外，DeepMind 將訓練數據和預訓練的英國模型上傳到 GitHub。

01. 現代天氣預報的麻煩問題

2小時內準確的天氣預報

“今晚會下雨，別忘了帶傘！”這樣的天氣話題在人們的聊天中很常見。

從日常生活到防災，天氣預報都需要盡快更好更準確。但迄今為止，預測降水和降雨是氣象學家面臨的主要挑戰。

在中世紀，氣象學家首先使用恆星進行預測。慢慢地，記錄季節和降雨模式的表格開始被保留下來。幾個世紀後，英國物理學家和數學家劉易斯弗萊理查森設想了一個“預測工廠”，使用計算和大氣物理方程來預測地球的天氣。

今天，DeepMind 在其天氣預報系統中加入了“機器學習”。新元白色的。

現代天氣預報由數值天氣預報 (NWP) 系統驅動。通過求解物理方程，NWP 可以提前幾天預測未來的天氣。這種方法通常在預測 6 小時到 2 週的天氣時更準確，但在預測 2 小時內的天氣時準確度較低。

Cast 現在填補了這個關鍵的時間間隔性能差距。

近天天氣預報對於水資源管理、農業、航空、應急規劃和戶外活動至關重要，支持許多依賴天氣進行決策的行業的真正社會經濟需求。

氣象探測技術的進步使得利用高分辨率雷達數據測量地面降水並以高頻（例如每 5 分鐘 1 公里的分辨率）提供這些數據成為可能。現有方法難以解決的關鍵領域與高質量數據的可用性相結合，為機器學習為 Nowcast 做出貢獻提供了機會。

近年來，出現了幾種基於機器學習的方法，在大型雷達觀測數據集上進行訓練，目的是更好地模擬暴雨和其他不可預測的降雨現象。我是。例如，谷歌和美國國家海洋和大氣管理局 (NOAA) 正在合作研究可以注入 NOAA 公司的機器學習系統。微軟還創建了資金以從歷史數據中識別反復出現的天氣和氣候模式，以改進反季節和季節性預測模型。

在我國，彩雲天氣等天氣預報公司基於天氣雷達圖和AI算法，提供精確的分鐘級降水預報。短期降雨預報精度降低到最大1分鐘，預報範圍縮小到1公里。 , 並且預測準確率在 80% 到 90 之間。 %。

02.臨近預報深度生成模型

準確性和實用性位居第一

DeepMind 專注於預測未來的降雨量。提前兩小時預測降雨量、時間和位置。

研究人員使用基於歷史雷達數據的類似 GAN 的深度生成建模 DGMR 來對未來的雷達進行詳細可靠的預測。

從概念上講，這是一個雷達圖像生成問題。雨深生成模型DGMR學習數數數據的概率分佈表示隨機變量從學習到的分佈中生成“臨近預報”所能得到的所有可能值。

使用這些方法，研究團隊不僅可以準確捕獲大規模降雨事件，還可以生成許多替代降雨場景（也稱為集合預測），用於調查降雨不確定性……在調查過程中，調查組使用了英國和美國的雷達數據。

在訓練過程中，研究團隊比較了CPU（10核AMD EPYC）和GPU（NVIDIA V100）硬件的速度來評估採樣速度，CPU生成每個樣本的平均時間為23.7秒， GPU 為 1.3 秒。

▲ 利用最近 20 分鐘的觀測雷達數據，利用降雨深度生成模型（DGMR）提供未來 90 分鐘的概率預測。

DeepMind 團隊在他們的博客中寫道： “我們對這些模型預測對人類和經濟影響最大的中到大雨事件的能力特別感興趣。”他們說這些模型在統計上優於競爭對手。我證明了這一點。方法。這方面的重大改進。

為了驗證DGMR生成的預測結果的準確性，研究團隊準備了兩個現有的降雨預測模型，每個模型都有一個隱藏的模型名稱，以及來自英國國家氣象局的56位天氣預報專家，我邀請並評估了它。

與其他主流進場預報方法相比，DGMR 對 1536km x 1280km 區域做出了更加真實和一致的預報。提前 5 到 90 分鐘進行預測..

“”與現在廣泛使用的鑄造方法相比，（56名氣象專家）在 89% 的情況下，新方法被評估為首選, 這反映了我們為真正的決策者提供洞察力的能力。 “DeepMind 研究人員寫道。與其他兩種競爭方法相比，DGMR準確性和實用性評價第一..

如下圖所示左上角為了觀察雨雲的實際運動，右上角是DGMR模型生成的預測結果。與降水強度過大的對流（PySTEPS）和模糊模擬結果的確定性深度學習（UNet）相比，DGMR能夠更好地捕捉環流、強度和結構，並提供清晰的預測，您可以在生成的同時更準確地預測東北地區的降水和運動。

▲ 2019年4月英國挑戰事件（目標是觀測雷達）

該論文指出： “通用臨近預報提供概率預測、改進預測、支持運營有用性，並且在解決方案和交付時間方面難以實施替代方案。”

▲ 2019 年 4 月美國東部暴雨（目標為觀測雷達）。生產方法DGMR平衡了降水的強度和程度，但相比之下，PySTEPS方法往往過於強烈，UNet結果比較模糊。

天氣預報通常受多種因素影響。 一個預測了降雨的位置，但強度是錯誤的，另一個預測了錯誤位置的強度。在這項研究中，研究人員投入了大量精力來評估基於廣泛指標的算法。

根據 DeepMind 研究人員的說法，DGMR 可以預測由於潛在的隨機性而本質上難以跟踪的天氣事件。它還可以像協調任務的系統一樣準確地預測降雨的位置，同時保留有助於決策制定的屬性。

03. 下一步：提高長期預測的準確性

DeepMind 展示了一種使用統計、經濟和認知分析的新型競爭雷達降雨臨近預報方法。

DeepMind 高級全職科學家 Shakir Mohamed 表示：“對複雜現象進行建模以及快速預測和表示不確定性的能力使人工智能成為環境科學家的強大工具。”

他說，現在還為時過早，但這個實驗表明人工智能可以讓預測者專注於更好地理解預測的影響，而不是花時間在不斷增長的預測數據堆上。 “這將是減輕當今氣候變化負面影響的一個組成部分，有助於適應不斷變化的天氣模式並可能挽救生命。”

然而，任何方法玩遊戲但是，需要做更多的工作來提高長期預測的準確性和罕見和強烈事件的準確性。

因此，研究團隊計劃在未來的工作中開發更多評估性能的方法，並進一步專門化這些方法以適應特定的實際應用。

DeepMind 研究人員認為這是一個令人興奮的研究領域，該論文將能夠為新工作提供數據和驗證方法，提供有競爭力的驗證和操作實用性。我想要

我們還希望與氣象局的合作將促進機器學習和環境科學的整合，更好地支持氣候變化決策。

04. 結論：DeepMind 使用 AI 破解

科學問題的又一突破

人工智能和數據分析的價值在天氣預報領域更為普遍。去年年初華為Cloud 與深圳市氣象局合作使用人工智能技術，將預測準確度提高了 10% 到 20%。 在AI和大數據的幫助下，國內的彩雲天氣應用和蘋果去年4月收購的第三方天氣應用Dark Sky，都實現了分鐘級降雨預報，而且預報準確率還有所提升。我有。

Facebook 首席人工智能科學家 Yann LeCun 和著名人工智能科學家吳恩達都表示，減緩氣候變化和提高能源效率是人工智能研究人員面臨的寶貴挑戰。

環境科學與人工智能之間的合作反映了人工智能有機會關注決策者的價值，開闢增加降雨量的新渠道，並支持在不斷變化的環境中應對決策挑戰。

從去年發布的解決蛋白質折疊問題的AI蛋白質預測模型AlphaFold，到現在的AI降雨預測模型DGMR並在Nature上發表，DeepMind的AI研究對於解決重大科學問題具有實用性，越來越證明其價值一個典型的應用。

這篇文章來自微信民眾《聰明的東西》（ID：zhidxcom），作者：ZeR0，36氪已獲批發布。

本文允許發表，不代表36氪立場。

轉載請註明出處。來源：36氪