谷歌旗下 DeepMind 將機器學習運用到天氣預報，打敗了傳統預測方式
從觀測星星開始，人類就在試圖預測天氣。中小學英語課也讓我們知道，英國人的寒暄十有八九是從天氣開始談起。我應該帶傘嗎？遇到大雨的車輛如何安排路線？在户外活動時需要採取哪些安全措施？對天氣的預測對日常生活有重要意義。
「短時天氣預報」是預報未來 0-12 小時內天氣趨勢的預報，而「臨近預報」（nowcasting）是短時天氣預報中的一類，專指未來 0-2 小時的天氣預報，為能源管理、海事服務、洪水預警系統、空中交通管制等提供關鍵決策信息。
▲ 圖片來自：Getty Image
近日，Google 旗下的 AI 實驗室 DeepMind 在 Nature 雜誌發表了一篇論文，研究內容是將機器學習運用到針對降雨的臨近預報中，並創建出了一個深度生成模型（Deep Generative Model，以下簡稱 DGM）。
環境科學與人工智能的聯盟，為臨近預報開闢了嶄新的道路。DeepMind 認為，目前的臨期預報存在兩方面的問題。
▲ 圖片來自：Getty Image
一方面，今天的天氣預報主要由數值天氣預報系統（NWP）驅動，但 NWP 很難為 2 小時內的臨近時間生成高分辨率預測，臨近預報填補了這段關鍵間隔。不過，主流的臨近預報方法同樣存在缺點——不易捕捉重要的非線性事件。
另一方面，近年來已有幾種基於機器學習的氣候預測方法被開發出來，這些方法雖然能準確預測低強度降雨，但在罕見的中大雨事件中表現不佳。
▲ 過去 20 分鐘的觀測雷達為未來 90 分鐘提供概率預測. 圖片來自：DeepMind
簡而言之，DeepMind 認為，為了使臨近預報更有價值，必須提供準確預測，充分考慮不確定性，以及在大雨預測方面做出統計上的顯著改進。
與此同時，天氣傳感的進步使得高分辨率雷達可以高頻使用，往往每 5 分鐘一次、分辨率為 1 公里。這些高質量數據為機器學習技術的介入提供了機會。
DeepMind 的 DGM 學習了數據的概率分佈，並曾基於 2016 年至 2018 年英國雷達記錄的大量降水事件數據集訓練。訓練之後，它可以在單個英偉達 V100 GPU 上運行僅一秒多後提供臨近預報。DeepMind 斷言，DGM 能夠預測潛在的隨機性下難以跟蹤的天氣事件，以及準確預測降水的位置。
▲ 相比另外兩種方法，DeepMind 的預測（右上）更準確清晰. 圖片來自：DeepMind
經由 56 名氣象學家評判，與主流臨近預報和其他機器學習模型相比，DGM 在 1536 km×1280 km 的區域內具有更真實和一致的臨近預測，在 89% 的案例中比起其他兩種方法更為準確和實用，臨近時間為 5 到 90 分鐘。
人工智能在氣候變化領域還有更多用處。2019 年 10 月，研究人員利用人工智能生成極端天氣圖像，使氣候變化可視化。氣候問題很難喚起集體動員，一個原因是人們認為這些變化通常發生在遙遠時空。因此，與個人相關甚至情緒化的信息才能產生真正有效的傳播。
▲ 右邊是生成的圖像. 圖片來自：venturebeat
研究人員輸入不同位置和建築類型（如房屋、農場、街道、城市）的圖像，形成十多種人工智能合成樣式，再請評估人員在真實圖像和半生成圖像之間進行選擇，計算平均錯誤率。這項工作的最終願景是創建機器學習架構，根據用户選擇的位置生成極端天氣下的最逼真圖像，包括洪水、山火、熱帶氣旋乃至更多的災難性事件。
▲ 圖片來自：Getty Image
「氣候變化」是今年的關鍵詞，2021 年諾貝爾物理學獎被授予三名科學家，其中兩位因「建立地球氣候的物理模型、量化其可變性並可靠地預測全球變暖」的研究獲獎。據國際非營利組織 CDP，全球最大的 500 家公司在未來幾十年中需付出約 1 萬億美元，以承擔與氣候變化相關的成本，除非他們提前採取積極措施。
DeepMind 高級研究員 Shakir Mohamed 認為:
順應這一形勢，DeepMind 的模型和其他類似模型或將有廣泛的運用空間，幫助預測者花費更少的時間瀏覽不斷增長的預測數據堆，從而專注於預測背後的含義。
資料來源：愛範兒（ifanr）
「短時天氣預報」是預報未來 0-12 小時內天氣趨勢的預報，而「臨近預報」（nowcasting）是短時天氣預報中的一類，專指未來 0-2 小時的天氣預報，為能源管理、海事服務、洪水預警系統、空中交通管制等提供關鍵決策信息。
▲ 圖片來自：Getty Image
近日，Google 旗下的 AI 實驗室 DeepMind 在 Nature 雜誌發表了一篇論文，研究內容是將機器學習運用到針對降雨的臨近預報中，並創建出了一個深度生成模型（Deep Generative Model，以下簡稱 DGM）。
環境科學與人工智能的聯盟，為臨近預報開闢了嶄新的道路。DeepMind 認為，目前的臨期預報存在兩方面的問題。
▲ 圖片來自：Getty Image
一方面，今天的天氣預報主要由數值天氣預報系統（NWP）驅動，但 NWP 很難為 2 小時內的臨近時間生成高分辨率預測，臨近預報填補了這段關鍵間隔。不過，主流的臨近預報方法同樣存在缺點——不易捕捉重要的非線性事件。
另一方面，近年來已有幾種基於機器學習的氣候預測方法被開發出來，這些方法雖然能準確預測低強度降雨，但在罕見的中大雨事件中表現不佳。
▲ 過去 20 分鐘的觀測雷達為未來 90 分鐘提供概率預測. 圖片來自：DeepMind
簡而言之，DeepMind 認為，為了使臨近預報更有價值，必須提供準確預測，充分考慮不確定性，以及在大雨預測方面做出統計上的顯著改進。
與此同時，天氣傳感的進步使得高分辨率雷達可以高頻使用，往往每 5 分鐘一次、分辨率為 1 公里。這些高質量數據為機器學習技術的介入提供了機會。
DeepMind 的 DGM 學習了數據的概率分佈，並曾基於 2016 年至 2018 年英國雷達記錄的大量降水事件數據集訓練。訓練之後，它可以在單個英偉達 V100 GPU 上運行僅一秒多後提供臨近預報。DeepMind 斷言，DGM 能夠預測潛在的隨機性下難以跟蹤的天氣事件，以及準確預測降水的位置。
▲ 相比另外兩種方法，DeepMind 的預測（右上）更準確清晰. 圖片來自：DeepMind
經由 56 名氣象學家評判，與主流臨近預報和其他機器學習模型相比，DGM 在 1536 km×1280 km 的區域內具有更真實和一致的臨近預測，在 89% 的案例中比起其他兩種方法更為準確和實用，臨近時間為 5 到 90 分鐘。
人工智能在氣候變化領域還有更多用處。2019 年 10 月，研究人員利用人工智能生成極端天氣圖像，使氣候變化可視化。氣候問題很難喚起集體動員，一個原因是人們認為這些變化通常發生在遙遠時空。因此，與個人相關甚至情緒化的信息才能產生真正有效的傳播。
▲ 右邊是生成的圖像. 圖片來自：venturebeat
研究人員輸入不同位置和建築類型（如房屋、農場、街道、城市）的圖像，形成十多種人工智能合成樣式，再請評估人員在真實圖像和半生成圖像之間進行選擇，計算平均錯誤率。這項工作的最終願景是創建機器學習架構，根據用户選擇的位置生成極端天氣下的最逼真圖像，包括洪水、山火、熱帶氣旋乃至更多的災難性事件。
▲ 圖片來自：Getty Image
「氣候變化」是今年的關鍵詞，2021 年諾貝爾物理學獎被授予三名科學家，其中兩位因「建立地球氣候的物理模型、量化其可變性並可靠地預測全球變暖」的研究獲獎。據國際非營利組織 CDP，全球最大的 500 家公司在未來幾十年中需付出約 1 萬億美元，以承擔與氣候變化相關的成本，除非他們提前採取積極措施。
DeepMind 高級研究員 Shakir Mohamed 認為:
引用對複雜現象進行建模、做出快速預測和表現不確定性的能力，使得人工智能成為環境科學家的強大工具。
順應這一形勢，DeepMind 的模型和其他類似模型或將有廣泛的運用空間，幫助預測者花費更少的時間瀏覽不斷增長的預測數據堆，從而專注於預測背後的含義。
資料來源：愛範兒（ifanr）