谷歌AI模型在即時(shí)預(yù)報(bào)降水的使用

據(jù)外媒報(bào)道，幾周前，谷歌人工智能(AI)使用了一個(gè)機(jī)器學(xué)習(xí)模型來改進(jìn)對(duì)乳腺癌的篩查工作?，F(xiàn)在，這家公司已經(jīng)在即時(shí)預(yù)報(bào)降水中使用了卷積神經(jīng)網(wǎng)絡(luò)(CNN)。谷歌 AI 研究人員在一篇名為《Machine Learning for Precipitation Nowcasting from Radar Images》的文章中提到了其在降水短期預(yù)測(cè)中對(duì) CNN 的利用。

結(jié)果看起來似乎很有前景，按照谷歌自己的說法，其得到的結(jié)果比傳統(tǒng)方法還要好：這種降水即時(shí)預(yù)報(bào)側(cè)重于0-6 小時(shí)預(yù)報(bào)，它可生成的分辨率為 1 公里、總延遲只有5-10 分鐘的預(yù)報(bào)（包括數(shù)據(jù)收集延遲），甚至在開發(fā)的早期階段其表現(xiàn)也優(yōu)于傳統(tǒng)模型。

據(jù)了解，傳統(tǒng)方法需要結(jié)合對(duì)大氣如何工作的先驗(yàn)知識(shí)，而這批研究人員使用的“物理自由”法卻將天氣預(yù)報(bào)問題變成了一個(gè)單獨(dú)的從圖像到圖像的轉(zhuǎn)換問題。因此，由團(tuán)隊(duì)訓(xùn)練的 CNN--U-Net--只需要對(duì)提供給它的訓(xùn)練例子估計(jì)大氣物理。

為了訓(xùn)練U-Net，團(tuán)隊(duì)使用了多光譜衛(wèi)星圖像。從 2017 年到 2019 年在美國大陸收集的數(shù)據(jù)被用于最初的訓(xùn)練。更具體一點(diǎn)來說，數(shù)據(jù)被分成了四個(gè)星期的數(shù)據(jù)塊，其中最后一個(gè)星期用作評(píng)估數(shù)據(jù)集，其余的則用作培訓(xùn)數(shù)據(jù)集。

不同于傳統(tǒng)即時(shí)預(yù)報(bào)采取的高分辨率快速刷新(HRRR)數(shù)值預(yù)報(bào)、光流(OF)算法和持久性模型的是，U-Net 模型利用精度圖和回憶圖的方法所表現(xiàn)的預(yù)報(bào)質(zhì)量更優(yōu)。

此外，該模型還提供了瞬時(shí)預(yù)測(cè)。這是一個(gè)額外的優(yōu)勢(shì)，因?yàn)閭鹘y(tǒng)的方法如 HRRR 計(jì)算延遲時(shí)間有1-3 小時(shí)。這使得機(jī)器學(xué)習(xí)模型能夠處理新的數(shù)據(jù)。不過 HRRR 中使用的數(shù)值模型可以做出更好的長(zhǎng)期預(yù)測(cè)，部分原因是它使用了一個(gè)完整的 3D 物理模型--從 2D 圖像中很難觀察到云的形成，所以對(duì)于機(jī)器學(xué)習(xí)來說學(xué)習(xí)對(duì)流過程顯得更難。

谷歌認(rèn)為，將 HRRR 和機(jī)器學(xué)習(xí)模型這兩種方法結(jié)合起來可能會(huì)帶來更好的效果，因?yàn)檫@兩種方法可以實(shí)現(xiàn)準(zhǔn)確、快速短期以及長(zhǎng)期預(yù)測(cè)。這家公司表示，他們有在考慮未來將機(jī)器學(xué)習(xí)技術(shù)直接應(yīng)用到 3D 觀測(cè)中。