谷歌旗下 DeepMind 将机器学习运用到天气预报，打败了传统预测方式

从观测星星开始，人类就在试图预测天气。中小学英语课也让我们知道，英国人的寒暄十有八九是从天气开始谈起。我应该带伞吗？遇到大雨的车辆如何安排路线？在户外活动时需要采取哪些安全措施？对天气的预测对日常生活有重要意义。

「短时天气预报」是预报未来 0-12 小时内天气趋势的预报，而「临近预报」（nowcasting）是短时天气预报中的一类，专指未来 0-2 小时的天气预报，为能源管理、海事服务、洪水预警系统、空中交通管制等提供关键决策信息。

▲ 图片来自：Getty Image

近日，Google 旗下的 AI 实验室 DeepMind 在 Nature 杂志发表了一篇论文，研究内容是将机器学习运用到针对降雨的临近预报中，并创建出了一个深度生成模型（Deep Generative Model，以下简称 DGM）。

环境科学与人工智能的联盟，为临近预报开辟了崭新的道路。DeepMind 认为，目前的临期预报存在两方面的问题。

▲ 图片来自：Getty Image

一方面，今天的天气预报主要由数值天气预报系统（NWP）驱动，但 NWP 很难为 2 小时内的临近时间生成高分辨率预测，临近预报填补了这段关键间隔。不过，主流的临近预报方法同样存在缺点——不易捕捉重要的非线性事件。

另一方面，近年来已有几种基于机器学习的气候预测方法被开发出来，这些方法虽然能准确预测低强度降雨，但在罕见的中大雨事件中表现不佳。

▲ 过去 20 分钟的观测雷达为未来 90 分钟提供概率预测. 图片来自：DeepMind

简而言之，DeepMind 认为，为了使临近预报更有价值，必须提供准确预测，充分考虑不确定性，以及在大雨预测方面做出统计上的显著改进。

与此同时，天气传感的进步使得高分辨率雷达可以高频使用，往往每 5 分钟一次、分辨率为 1 公里。这些高质量数据为机器学习技术的介入提供了机会。

DeepMind 的 DGM 学习了数据的概率分布，并曾基于 2016 年至 2018 年英国雷达记录的大量降水事件数据集训练。训练之后，它可以在单个英伟达 V100 GPU 上运行仅一秒多后提供临近预报。DeepMind 断言，DGM 能够预测潜在的随机性下难以跟踪的天气事件，以及准确预测降水的位置。

▲ 相比另外两种方法，DeepMind 的预测（右上）更准确清晰. 图片来自：DeepMind

经由 56 名气象学家评判，与主流临近预报和其他机器学习模型相比，DGM 在 1536 km×1280 km 的区域内具有更真实和一致的临近预测，在 89% 的案例中比起其他两种方法更为准确和实用，临近时间为 5 到 90 分钟。

人工智能在气候变化领域还有更多用处。2019 年 10 月，研究人员利用人工智能生成极端天气图像，使气候变化可视化。气候问题很难唤起集体动员，一个原因是人们认为这些变化通常发生在遥远时空。因此，与个人相关甚至情绪化的信息才能产生真正有效的传播。

▲ 右边是生成的图像. 图片来自：venturebeat

研究人员输入不同位置和建筑类型（如房屋、农场、街道、城市）的图像，形成十多种人工智能合成样式，再请评估人员在真实图像和半生成图像之间进行选择，计算平均错误率。这项工作的最终愿景是创建机器学习架构，根据用户选择的位置生成极端天气下的最逼真图像，包括洪水、山火、热带气旋乃至更多的灾难性事件。

▲ 图片来自：Getty Image

「气候变化」是今年的关键词，2021 年诺贝尔物理学奖被授予三名科学家，其中两位因「建立地球气候的物理模型、量化其可变性并可靠地预测全球变暖」的研究获奖。据国际非营利组织 CDP，全球最大的 500 家公司在未来几十年中需付出约 1 万亿美元，以承担与气候变化相关的成本，除非他们提前采取积极措施。

DeepMind 高级研究员 Shakir Mohamed 认为:

对复杂现象进行建模、做出快速预测和表现不确定性的能力，使得人工智能成为环境科学家的强大工具。

顺应这一形势，DeepMind 的模型和其他类似模型或将有广泛的运用空间，帮助预测者花费更少的时间浏览不断增长的预测数据堆，从而专注于预测背后的含义。