AI改变天气预报！90分钟后降雨量1秒算出( 二 ) 智东西（公众号：zhidxcom）编译

从概念上讲，这是一个生成雷达影像的问题。降雨深度生成模型DGMR学习了数据的概率分布，描述随机变量可能获得的所有可能值，以从其学习的分布中生成“临近预报” 。
有了这些方法，研究团队既可以准确地捕捉到大规模的降雨事件，同时也可以产生许多替代的降雨情景（也称集成预测ensembleprediction），从而探索降雨的不确定性。研究期间，研究团队使用了英国和美国的雷达数据。
在训练过程，研究团队通过比较CPU（10核心AMDEPYC）和GPU（NVIDIAV100）硬件的速度来评估采样速度，发现生成每个样本， CPU所用平均时间为23.7秒， GPU为1.3秒。

文章图片
▲利用过去20分钟的观测雷达资料，用降雨深度生成模型（DGMR）提供未来90分钟的概率预测。
DeepMind团队在博客中提到：“我们特别感兴趣的是这些模型对中到大雨事件的预测能力，这些事件对人们和经济的影响最大。 ”他们展示了与竞争方法相比，这些模型在统计方面的显著改进。
为了验证DGMR生成预测结果的精度，研究团队准备了2个现有降雨预测模型，分别隐藏模型名，请英国国家气象局的56名气象预报专家来评估。
与其他主流临近预测方法相比， DGMR对1536公里乘1280公里的区域做出了更现实、更一致的预测，提前5~90分钟进行预测。
“与广泛使用的临近预报方法相比，他们（56名气象专家）在89%的案例中将我们的新方法评为他们的首选，这体现我们的方法有能力为现实世界决策者提供洞察力。 ”DeepMind研究人员写道。相对于另外两种竞争方法， DGMR在准确性和实用性评估方面排名第一。
如图所示，下图左上角为观测到的实际雨云的移动，右上是DGMR模型生成的预测结果，相比降水强度过高的对流方法（PySTEPS）和模拟结果模糊的确定性深度学习方法（UNet）， DGMR能更好地捕捉环流、强度和结构，并更准确地预测东北部的降雨量和运动，同时生成清晰的预测。

文章图片
▲2019年4月英国上空的一个具有挑战性的事件（目标是观察到的雷达）
论文提到：“我们证明，生成式临近预报可以提供概率预测，提高预测值，支持运营效用，并在解决方案和交付时间方面，替代方法难以做到。 ”

文章图片
▲2019年4月美国东部的一次大降水事件（目标是观测到的雷达）。生成方法DGMR平衡了降水强度和程度，相比之下， PySTEPS方法的强度往往过高， UNet的结果相对模糊。
天气预报往往受多重因素影响，也许一个预测对了降雨位置但算错强度，另一个预测在错误的位置预测对了强度等。在这项研究中，研究人员付出了很多努力，根据广泛的指标来评估其算法。
DeepMind研究人员称， DGMR可以预测由于潜在的随机性而本质上难以追踪的天气事件，还可以像调整任务的系统一样准确地预测降雨的位置，同时保留对决策有用的属性。
三、下一步计划：提高长期预测准确性
通过使用统计、经济和认知分析， DeepMind展示了一种新的、有竞争力的雷达降雨临近预报方法。
“建模复杂现象、快速预测和代表不确定性的能力使AI成为环境科学家的强大工具。 ”DeepMind高级专职科学家ShakirMohamed说。
他认为尽管现在还为时过早，但这次试验表明， AI能让预测人员不必将时间耗费在不断增加的预测数据堆里，而是专注于更好地了解其预测的影响。 “这将是减轻当今气候变化不利影响、支持适应不断变化的天气模式并可能拯救生命不可或缺的一部分。 ”