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:

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)

如果喜歡我們的文章,請即分享到︰

標籤: DeepMind  Google