作者︰The Nowcasting Team, Deepmind??翻譯︰Gabriel Ng??校對(duì)：陳漢青

本文約1700字，建議閱讀6分鐘 本文結(jié)合環(huán)境科學(xué)和AI領(lǐng)域知識(shí)，為決策者開辟實(shí)時(shí)降雨預(yù)報(bào)的新途徑。

我們的生活與天氣息息相關(guān)。根據(jù)一項(xiàng)研究，每一時(shí)刻都有三分之一的英國人，曾在過去一小時(shí)內(nèi)討論過天氣，反映出天氣（至少對(duì)英國人來說）在日常生活中的重要性。在各種天氣現(xiàn)象中，下雨是特別重要的，因?yàn)樗鼤?huì)直接影響到我們的日常決策。出門時(shí)應(yīng)該帶傘嗎？遇到大雨時(shí)，要如何調(diào)度車輛路線？在戶外活動(dòng)中又應(yīng)采取哪些安全措施？會(huì)不會(huì)有洪水？最新的研究和接近完美的模型推進(jìn)了降水實(shí)時(shí)預(yù)報(bào)（Precipitation Nowcasting）的發(fā)展，這里降水實(shí)時(shí)預(yù)報(bào)即指預(yù)測未來 1-2 小時(shí)內(nèi)的降雨（和其他降水現(xiàn)象）。

一篇與氣象局合作撰寫并發(fā)表在《自然》雜志上的論文中直接解決了這一天氣預(yù)報(bào)中的重要挑戰(zhàn)。這是個(gè)由環(huán)境科學(xué)和人工智能一起合作的成果，聚焦于決策者，開辟了實(shí)時(shí)降雨預(yù)報(bào)的新途徑，并指出人工智能可以幫助我們?cè)诓粩嘧兓沫h(huán)境下做出決策。

短期天氣預(yù)報(bào)

縱觀歷史，天氣預(yù)測一直在社區(qū)和國家有著重要意義。一開始，中世紀(jì)的氣象學(xué)家利用星星來進(jìn)行預(yù)測。漸漸地，記錄著季節(jié)和降雨模式的表格開始被保留下來。幾個(gè)世紀(jì)后，劉易斯·弗萊 (Lewis Fry) 設(shè)想了一個(gè)“預(yù)測工廠”，其使用計(jì)算和大氣物理方程來預(yù)測全球天氣。在這部不斷發(fā)展的天氣預(yù)報(bào)歷史中，我們現(xiàn)在增添了一個(gè)機(jī)器學(xué)習(xí)的角色。

如今我們的天氣預(yù)報(bào)是由強(qiáng)大的數(shù)值天氣預(yù)報(bào) (NWP) 系統(tǒng)驅(qū)動(dòng)的。通過求解物理方程，NWP 可以提前幾天提供基本的行星尺度的預(yù)測。然而，他們很難在兩小時(shí)以下這樣的較短時(shí)間內(nèi)，生成高分辨率的預(yù)測。而實(shí)時(shí)預(yù)報(bào)填補(bǔ)了這一關(guān)鍵時(shí)間區(qū)間的性能差距。

實(shí)時(shí)預(yù)報(bào)對(duì)于水資源管理、農(nóng)業(yè)、航空、緊急應(yīng)對(duì)和戶外活動(dòng)等行業(yè)至關(guān)重要。在天氣傳感方面的進(jìn)步使得高分辨率的雷達(dá)數(shù)據(jù)（用作測量地面降水量）可以高頻地使用（例如，在 1 公里分辨率下每 5 分鐘收集一次數(shù)據(jù)）。在現(xiàn)有方法難以解決的關(guān)鍵領(lǐng)域，通過利用可用的高質(zhì)量數(shù)據(jù)，機(jī)器學(xué)習(xí)有機(jī)會(huì)對(duì)實(shí)時(shí)預(yù)報(bào)做出貢獻(xiàn)。

利用深層降雨生成模型 (DGMR)，過去 20 分鐘觀測到的雷達(dá)數(shù)據(jù)可被用于為接下來的 90 分鐘提供概率性預(yù)測

實(shí)時(shí)預(yù)報(bào)的生成模型

我們關(guān)注于降雨的實(shí)時(shí)預(yù)報(bào)：最多可提前 2 小時(shí)預(yù)測降雨量、時(shí)間和降雨位置。我們使用一種稱為生成建模（generative modeling）的方法，根據(jù)過往的雷達(dá)數(shù)據(jù)，對(duì)未來的雷達(dá)數(shù)據(jù)進(jìn)行詳細(xì)合理的預(yù)測。概念上來說，這個(gè)問題就像是要生成一部電影，只不過電影的每一幀是雷達(dá)影像。利用這些方法，我們一方面可以準(zhǔn)確地捕捉大規(guī)模事件，另一方面還可以生成許多其他可供選擇的降雨場景（稱為集合預(yù)測），從而可以探索降雨的不確定性。我們?cè)谘芯拷Y(jié)果中使用了來自英國和美國的雷達(dá)數(shù)據(jù)。

我們對(duì)這些模型預(yù)測中雨到大雨的能力特別感興趣，而這類型事件是對(duì)人們生活和經(jīng)濟(jì)影響最大的事件；并且與競爭方法相比，我們的方法在這些場景中顯示出統(tǒng)計(jì)上的顯著改進(jìn)。重要的是，我們與英國國家氣象局氣象局的 50 多位專家氣象學(xué)家進(jìn)行了一項(xiàng)認(rèn)知任務(wù)評(píng)估，與目前被廣泛使用的實(shí)時(shí)預(yù)報(bào)方法相比，在 89% 的案例中專家們將我們的新方法評(píng)為他們的首選，證明了我們的方法能為現(xiàn)實(shí)世界的決策者提供洞察先機(jī)。

一個(gè)在2019 年 4 月在英國發(fā)生的高難度預(yù)測事件（預(yù)測目標(biāo)是觀測到的雷達(dá)數(shù)據(jù)）。我們的生成方法 (DGMR) 比起平流方法 (PySTEPS) 更好地描述了環(huán)流、強(qiáng)度和結(jié)構(gòu)，并且更準(zhǔn)確地預(yù)測東北部的降雨和活動(dòng)。與確定性深度學(xué)習(xí)方法 (UNet) 不同，DGMR 還可以生成清晰的預(yù)測

2019 年 4 月在美國東部發(fā)生的強(qiáng)降水事件（預(yù)測目標(biāo)是觀測到的雷達(dá)數(shù)據(jù)）。與平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的強(qiáng)度和范圍，而前者的預(yù)測強(qiáng)度通常太高；并且DGMR的預(yù)測不像確定性深度學(xué)習(xí)方法 (UNet) 那樣模糊

接下來的發(fā)展

通過使用統(tǒng)計(jì)、經(jīng)濟(jì)和認(rèn)知分析，我們能夠展示一種全新、具有競爭力的利用雷達(dá)來進(jìn)行降水實(shí)時(shí)預(yù)報(bào)的方法。沒有方法是完美的，接下來我們需要做更多的工作來提高長期預(yù)測的準(zhǔn)確性以及對(duì)罕見和大強(qiáng)度事件的準(zhǔn)確性。未來的工作需要我們開發(fā)其他評(píng)估性能的方法，并進(jìn)一步將這些方法特化于特定的實(shí)際應(yīng)用。

我們認(rèn)為這是一個(gè)令人興奮的研究領(lǐng)域，而我們希望我們的論文能夠成為未來新工作的基礎(chǔ)，通過提供數(shù)據(jù)和驗(yàn)證方法，使之有可能提供具有競爭力的驗(yàn)證和實(shí)操效能。我們更希望與氣象局的這次合作將促進(jìn)機(jī)器學(xué)習(xí)和環(huán)境科學(xué)之間進(jìn)一步的整合，更好地支持在不斷變化的氣候中的決策。

原文標(biāo)題︰

Nowcasting the Next Hour of Rain

原文鏈接：

https://deepmind.com/blog/article/nowcasting

譯者簡介Gabriel Ng，清華大學(xué)概率統(tǒng)計(jì)方向本科生在讀，一個(gè)熱愛于數(shù)據(jù)分析和語言學(xué)習(xí)（和音樂）的THUer，平日活動(dòng)離不開學(xué)習(xí)、健身和音樂。喜歡從數(shù)據(jù)探勘各類問題的本質(zhì)，從語言認(rèn)識(shí)不同文化的故事。希望通過學(xué)習(xí)和經(jīng)驗(yàn)的累積，能以不同的角度，理性地分析問題，感性地認(rèn)識(shí)問題。

轉(zhuǎn)自：數(shù)據(jù)派THU 公眾號(hào)；

END

---

版權(quán)聲明：本號(hào)內(nèi)容部分來自互聯(lián)網(wǎng)，轉(zhuǎn)載請(qǐng)注明原文鏈接和作者，如有侵權(quán)或出處有誤請(qǐng)和我們聯(lián)系。

---

合作請(qǐng)加QQ：365242293??

數(shù)據(jù)分析（ID?:?ecshujufenxi?）互聯(lián)網(wǎng)科技與數(shù)據(jù)圈自己的微信，也是WeMedia自媒體聯(lián)盟成員之一，WeMedia聯(lián)盟覆蓋5000萬人群。

總結(jié)

以上是生活随笔為你收集整理的推荐 ：机器学习x环境科学：实时预测下一小时的降雨的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。