AI改变天气预报！90分钟后降雨量1秒算出

小洋人

智东西（公众号：zhidxcom）
编译 | ZeR0
编辑 | 漠影
智东西9月30日消息，谷歌母公司Alphabet旗下顶级英国AI研究机构DeepMind又放大招了！
此次DeepMind聚焦气候预告这一重大挑战，与英国气象局合作将AI应用于预测降雨，能比现有预测模型更准确地预测未来1-2小时内的降雨量。

▲DeepMind的AI模型提前90分钟预测气候事件
根据论文，DeepMind接纳深度生成模型来实现精准降雨预测，利用NVIDIA V100 GPU，该模型只需1.3秒即可生成一个全分辨率的邻近气候预测样本。
DeepMind研究团队称，气象专家经评估表示，比起传统方法，他们普遍更看好DeepMind提出的新AI模型，这为利用AI大大改善准确度的新气候预告方法铺平了蹊径。
这项研究刚刚发表于顶级学术期刊Nature上，题目为《用雷达深度生成模型进行有技巧的降雨邻近预告》，论文对模型、数据和验证方法均进行了系统梳理及讨论。

此外，DeepMind已将训练数据及一个预训练的英国模型传至GitHub。
链接：https://dpmd.ai/github_nowcasting
一、现代气候预告的棘手问题：2小时内精准预测气候
“今天晚上要下雨，记得带伞！”像如许围绕气候话题的讨论和嘱咐，在人们的聊天中相当常见。
小到生活日常，大到灾害防备，都必要气候预告越早越好、越来越准确。但直至今日，预测降水降雨量，还是气象学家面对的重大挑战。
在中世纪，气象学家起首利用恒星进行预测。慢慢地，记录季节和降雨模式的表格开始保存。几个世纪后，英国物理学家兼数学家刘易斯·弗莱·理查森设想了一个“预测工厂”（Forecast Factory），利用计算和大气物理方程来预测全球气候。
如今，在气候预告系统中，DeepMind添加了“机器学习”这一新元素。
现代气候预告是由数值气候预告（NWP，numerical weather prediction）系统驱动的。通过求解物理方程，NWP能做到提前几天预测未来气候。这类方法通常在预测6小时到2周后的气候时准确度很好，但在预测2小时内的气候时准确度会下降。
如今，邻近预告填补了这个关键时间间隔的性能差距。
邻近气候预告对于水管理、农业、航空、应急计划和户外运动等部门至关紧张，支持了许多依赖气候决策的行业的现实社会经济需求。
气候传感技能的进步使丈量地面降水量的高分辨率雷达数据能够以高频率提供（如每5分钟1公里分辨率）。现有方法难以办理的关键范畴和高质量数据的可用性的结合，为机器学习在邻近预告中做出贡献提供了机会。
近年来，已有几种基于机器学习的方法问世，他们在雷达观测的大数据集上训练，目的是更好地模拟强降雨和其他难以预测的降雨征象。例如，谷歌与美国国家海洋和大气管理局（NOAA）合作研究大概注入NOAA企业的机器学习系统，微软还出资从汗青数据中辨认重复的气候和气候模式，以改进次季节性和季节性预测模型。
在我国，彩云气候等气候预告公司基于气象雷达图和AI算法，已经实现了分钟级精准降水预告，短时降雨预告精度达1分钟，预告范围缩小至1公里，预告准确率达80%~90%。
二、邻近预告的深度生成模型：准确性和实用性均排名第一
DeepMind专注于预测邻近降雨量：提前2小时预测降雨的数量、时间和地点。
研究人员接纳一种雷同于GAN的深度生成模型方法DGMR，以已往的雷达数据为底子，对未来的雷达作出详细和可信的预测。
从概念上讲，这是一个生成雷达影像的问题。降雨深度生成模型DGMR学习了数据的概率分布，描述随机变量大概获得的所有大概值，以从其学习的分布中生成“邻近预告”。
有了这些方法，研究团队既可以准确地捕捉到大规模的降雨事件，同时也可以产生许多替代的降雨情景（也称集成预测ensemble prediction），从而探索降雨的不确定性。研究期间，研究团队利用了英国和美国的雷达数据。
在训练过程，研究团队通过比较CPU（10焦点AMD EPYC）和GPU（NVIDIA V100）硬件的速率来评估采样速率，发现生成每个样本，CPU所用平均时间为23.7秒，GPU为1.3秒。

▲利用已往20分钟的观测雷达资料，用降雨深度生成模型（DGMR）提供未来90分钟的概率预测。
DeepMind团队在博客中提到：“我们特别感爱好的是这些模型对中到大雨事件的预测本领，这些事件对人们和经济的影响最大。”他们展示了与竞争方法相比，这些模型在统计方面的显著改进。
为了验证DGMR生成预测结果的精度，研究团队预备了2个现有降雨预测模型，分别隐藏模型名，请英国国家气象局的56名气象预告专家来评估。
与其他主流邻近预测方法相比，DGMR对1536公里乘1280公里的地域做出了更现实、更一致的预测，提前5~90分钟进行预测。
“与广泛利用的邻近预告方法相比，他们（56名气象专家）在89%的案例中将我们的新方法评为他们的首选，这体现我们的方法有本领为现实世界决策者提供洞察力。”DeepMind研究人员写道。相对于别的两种竞争方法，DGMR在准确性和实用性评估方面排名第一。
如图所示，下图左上角为观测到的实际雨云的移动，右上是DGMR模型生成的预测结果，相比降水强度过高的对流方法（PySTEPS）和模拟结果模糊的确定性深度学习方法（UNet），DGMR能更好地捕捉环流、强度和布局，并更准确地预测东北部的降雨量和运动，同时生成清晰的预测。

▲2019年4月英国上空的一个具有挑战性的事件（目的是观察到的雷达）
论文提到：“我们证实，生成式邻近预告可以提供概率预测，提高预测值，支持运营效用，并在办理方案和交付时间方面，替代方法难以做到。”

▲2019年4月美国东部的一次大降水事件（目的是观测到的雷达）。生成方法DGMR均衡了降水强度和程度，相比之下，PySTEPS方法的强度通常过高，UNet的结果相对模糊。
气候预告通常受多重因素影响，也许一个预测对了降雨位置但算错强度，另一个预测在错误的位置预测对了强度等。在这项研究中，研究人员付出了许多努力，根据广泛的指标来评估其算法。
DeepMind研究人员称，DGMR可以预测由于潜在的随机性而本质上难以追踪的气候事件，还可以像调解使命的系同一样准确地预测降雨的位置，同时保留对决策有用的属性。
三、下一步计划：提高长期预测准确性
通过利用统计、经济和认知分析，DeepMind展示了一种新的、有竞争力的雷达降雨邻近预告方法。
“建模复杂征象、快速预测和代表不确定性的本领使AI成为情况科学家的强大工具。”DeepMind高级专职科学家Shakir Mohamed说。
他认为尽管如今还为时过早，但这次试验表明，AI能让预测人员不必将时间淹灭在不绝增加的预测数据堆里，而是专注于更好地相识其预测的影响。“这将是减轻当今气候变化不利影响、支持顺应不绝变化的气候模式并大概拯救生命不可或缺的一部分。”
不过，任何方法都有范围性，必要做更多的工作来提高长期预测的准确性和对稀有和激烈事件的准确性。
因此研究团队计划在未来的工作中，开发更多的评估性能的方法，并进一步将这些方法专业化，以顺应详细的现实应用。
DeepMind研究人员相信，这是一个令人兴奋的研究范畴，他们盼望这篇论文能为新的工作提供数据和验证方法，使提供有竞争力的验证和操纵效用成为大概。
他们还盼望与英国气象局的合作将促进机器学习和情况科学的更大整合，并更好地支持应对气候变化的决策。
结语：DeepMind用AI破解科学难题的又一突破
AI和数据分析的代价正更多渗透到气候预告范畴。去年年初，华为云与深圳市气象局合作，接纳AI方法将预测准确率提高10%~20%。借助AI及大数据，国内的彩云气候应用、苹果去年4月收购的第三方气候应用Dark Sky均实现了分钟级的降雨预测，预测准确度还在不绝提拔。
Facebook首席AI科学家Yann LeCun、着名AI科学家吴恩达均曾表示，缓解气候变化和促进能源效率对于AI研究人员来说是值得的挑战。
情况科学和AI之间的合作侧重于决策者的代价，为邻近预告降雨开辟了新渠道，也体现出AI在不绝变化的情况中支持应对决策挑战的机会。
从去年发布破解卵白质折叠难题的AI卵白质预测模型AlphaFold，到如今AI降雨预测模型DGMR再登Nature，DeepMind的AI研究愈发展现出办理关键科学问题的实际应用代价。
来源：DeepMind，Nature，VentureBeat