文章转载自“AICUG人工智能社区”，连接: https://zhuanlan.zhihu.com/p/117985325微信
从几分钟到几周提早准确地预测天气是一项基本的科学挑战，会对社会的许多方面产生普遍的影响。许多气象机构采用的当前预报都是基于大气的物理模型，尽管在过去的几十年中有很大的改进，但一直以来受到其计算要求的约束，而且对控制他们的物理定律很敏感。另外一种天气预报方法可以克服其中一些限制的，即便用深度神经网络（DNN）：不是对明确的物理定律进行编码，DNN而是发现数据中的模式，并经过在功能强大的专用硬件，例如GPU和TPU使用并行计算来学习从输入到所需输出的复杂转换。网络
在先前对降水临近预报的研究的基础上，咱们提出了“ MetNet: A Neural Weather Model for Precipitation Forecasting （MetNet：用于降水预报的神经网络天气模型）”，这是一种DNN，可以以2分钟的间隔中1 公里的分辨率预测将来8小时内的降水。MetNet优于当前最早进的基于物理的模型，该模型被NOAA采用，MetNet能够将预测时间提早7-8小时，而且能够在整个美国进行预测，而不是一个小时，而只需几秒钟。该网络的输入自动从雷达站和卫星网络得到，而无需人工注释。模型输出是一个几率分布，咱们用它来推断每一个地理区域最可能的降水率以及相关的不肯定性。下图提供了该网络在美国大陆上的预测示例。app
MetNet模型预测与由NOAA多雷达/多传感器系统（MRMS）测得的地面真相进行了比较。MetNet模型（顶部）显示了将来2分钟到480分钟以内预测的1 毫米 / hr降水的几率，而MRMS数据（底部）显示了在同一时间段内至少1 毫米 / 小时降水的区域机器学习
神经网络天气模型
MetNet不依赖描述大气动力学的明确物理定律，而是经过反向传播学习直接从观测数据中预测天气。该网络使用的降水量估算值是从包括多雷达/多传感器系统（MRMS）的地面雷达站得出的，测量值来自NOAA的地球静止运行环境卫星系统，该系统提供了自上而下的大气云图。两种数据源都覆盖美国大陆，并提供可经过网络有效处理的相似图像的输入。性能
该模型以1 公里分辨率，以每64 公里 x 64 公里平方执行计算，且计算覆盖整个美国。可是，与这些区域中的每一个输出区域相对应的输入数据的实际物理覆盖范围要大得多，由于它必须考虑在进行预测的时间段内云层和降水场的可能运动。例如，假设云层以最高60 公里 / h的速度运动，为了作出能在将来8小时内捕获大气时间动态的明智预测，该模型在全部方向上都须要60 x 8 = 480 公里的空间背景。所以，要实现此级别的环境，须要对1024 公里 x 1024 公里区域的信息进行中心64 公里 x 64 公里补丁区域预测。学习
包含卫星和雷达图像的输入补丁区域的尺寸（大，1024 x 1024 平方公里）以及输出的预测雷达图像的尺寸（小，64 x 64 平方公里）优化
因为以全分辨率处理1024 公里 x 1024公里 的区域须要大量内存，所以咱们使用空间下降取样频率取样器，该采样器经过减少输入补丁区域的空间尺寸来减小内存消耗，同时在输入中查找并保持相关的天气模式。而后，沿着降采样后的输入数据的时间维度应用时间编码器（由卷积LSTM实现，该卷积LSTM很是适合图像序列），以15分钟为间隔对来自输入数据的前90分钟的七个快照进行编码。接着将时间编码器的输出传递到空间聚合器，该空间聚合器使用轴向自注意力来有效捕获数据中的远程空间相关性，并根据输入目标时间提供可变的上下文量，从而对64 公里 x 64 公里输出。ui
该体系结构的输出是一个离散的几率分布，该分布估计了美国大陆上每平方千米的给定降水速率的几率。编码
神经气象模型MetNet的体系结构. 输入的卫星和雷达图像首先经过空间下降取样频率取样器以减小内存消耗, 而后在90分钟的输入数据中以15分钟的间隔经过卷积LSTM处理它们, 而后使用轴向注意层使网络看到整个输入图像人工智能
结果
咱们根据降水率预报基准（precipitation rate forecasting benchmark）对MetNet进行评估，并将结果与两个基准进行比较-NOAA高分辨率快速刷新（HRRR）系统（这是目前在美国运行的物理天气预报模型），以及用于估计大气降水活动的基准模型（即光流），这是一种在少于2小时的预测时间内表现良好的方法。
咱们的神经网络天气模型的一个显著优点是，优化了密集和并行计算，很是适合在特殊硬件（例如TPU）上运行。不管是针对特定位置（例如纽约市仍是整个美国），这均可以在几秒钟内并行进行预测，而诸如HRRR之类的物理模型，须要在超级计算机上的运行约一个小时。
咱们在下图中量化了MetNet，HRRR和光流基线模型之间的性能差别。在这里，咱们展现了使用F1-score在1.0毫米 /小时的降水率阈值下评估的这三个模型所实现的性能，该阈值对应于小雨。MetNet神经天气模型可以在不到8小时的时间上赛过NOAA HRRR系统，而且始终优于基于光流的模型。
因为大气的随机性，随着将来预测时间的延长，关于确切将来天气情况的不肯定性会增长。由于MetNet是一个几率模型，随着预测时间的延长，预测的不肯定性视觉化可经过预测递增的平滑性显示。相反，HRRR并不直接作出几率预测，而是预测单个潜在的将来。下图将MetNet模型的输出与HRRR模型的输出进行了比较。
从NOAA MRMS系统检索到的MetNet（顶部）和HRRR（底部）输出与地面真相（中间）之间的比较. 请注意: 尽管HRRR模型预测的结构看起来与真实状况更类似, 但预测的结构可能严重错误
HRRR物理模型的预测比MetNet模型的预测更清晰，更结构化，可是因为模型的初始条件和参数的不肯定性，结构（尤为是结构预测的确切时间和位置）的准确性较差。
HRRR（左）预测了许多可能结果中的单个潜在将来结果（红色）, 而MetNet（右）则经过分配将来结果的几率来直接考虑不肯定性
将来发展方向
咱们正在积极研究如何改善全球天气预报，尤为是在受快速气候变化影响严重的地区。虽然咱们演示了针对美国大陆的当前MetNet模型，但能够将其扩展到可得到适当雷达和光学卫星数据的任何区域。此处介绍的工做只是该类方向研究的一个小垫脚石，咱们但愿经过与气象界的进一步合做来带来更大的改进。
往期推荐
Nature(2019)-地球系统科学领域的深度学习及其理解
本文分享自微信公众号 - 气象杂货铺（meteogs）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。