Google AI 新研究 “即时”预测当地的降雨模式

Google希望利用AI和机器学习来快速进行本地天气预报。近日在一篇论文中，这家科技巨头详细介绍了一个人工智能系统，该系统使用卫星图像生成“近乎即时”的高分辨率预测，平均而言，其分辨率约为1公里，延迟仅为5-10分钟。其背后的研究人员表示，“即使在开发的这些早期阶段，它也优于传统模型。”

该系统采用数据驱动和无物理方法进行天气建模，这意味着它仅通过示例即可学习近似大气物理，而无需结合现有知识。它的基础是一个卷积神经网络，它将天气模式的输入图像作为输入，并将其转换为新的输出图像。

谷歌研究人员说，迅速的预测将是“有效适应气候变化，特别是极端天气所需的基本工具。”在一个日益由不可预测的天气模式主导的世界中，短期预测对于“危机”处理至关重要，能够减少生命和财产损失。

上图显示云，下图显示降雨

正如Google研究人员所解释的，卷积网络由一系列层组成，其中每个层都是一组数学运算。在这种情况下，它是一个U-Net，其中各层以编码阶段排列，从而降低了穿过它们的图像的分辨率。单独的解码阶段扩展了在编码阶段创建的低维图像表示。

在给定小时内的一系列观测中，U-Net的输入每个多光谱卫星图像包含一个通道。例如，如果一个小时内收集了10张卫星图像，并且每个图像都是在10个波长下拍摄的，则图像输入将具有100个通道。在最初的工作中，工程团队训练了一个模型，该模型从对美国的历史观察中获悉，该模型在2017年至2019年之间分为四个星期，其中一部分用于评估。他们将模型的性能与三个基准进行了比较：美国国家海洋和大气管理局的高分辨率快速刷新（HRRR）数值预报（特别是1小时总累积地面预报）；一种试图通过一系列图像跟踪运动物体的光流算法；以及一个持久性模型，其中假设每个位置未来都会下雨，当时的降雨速度与当时下雨的速度相同。研究人员报告说，他们的系统质量通常优于所有三个模型，但是当预测范围达到约5至6小时时，HRRR开始超越其模型。但是，他们注意到HRRR的计算延迟为1-3小时，或者比其更长。

“ HRRR中使用的数值模型可以做出更好的长期预测，部分原因是它使用完整的3D物理模型-很难从2D图像中观察到云的形成，因此[机器学习]方法学习对流过程更加困难”，研究人员解释说。“将这两个系统，用于快速预测的[机器学习]模型和用于长期预测的HRRR结合起来，可能在总体上产生更好的结果。”研究人员将未来的工作直接应用于将机器学习直接应用于3D观测。

当然，谷歌并不是唯一一个可以预测天气，自然事件或灾难的人工智能。去年初，IBM推出了由天气预报公司（2016年收购的天气预报和信息技术公司）开发的新预报系统，该系统能够在全球范围内提供“高精度”和本地预报。就他们自己而言，Facebook研究人员开发了一种方法来分析卫星图像并确定某个区域在火灾和洪水等灾难后遭受的破坏程度。斯坦福大学地球物理系的科学家进行了实验 该系统被称为Cnn-Rnn地震检测器或CRED，可以从历史数据和连续数据中隔离和识别一系列地震信号。