Google DeepMind 機器學習進軍天氣預報,打敗傳統預測法

作者 | 發布日期 2021 年 10 月 14 日 8:15 | 分類 AI 人工智慧 , Google , 環境科學 Telegram share ! follow us in feedly


從觀測星空開始,人類就試圖預測天氣,英國人寒暄十有八九從天氣開始談起。我應該帶傘嗎?遇到大雨該如何安排路線?戶外活動時採取哪些安全措施?天氣預測對日常生活有重要意義。

「短期天氣預報」是預測 0~12 小時內天氣,「即時預報」(nowcasting)是短期天氣預報之一,專指 0~2 小時內天氣預報,為能源管理、海事、洪水預警系統、空中交通管制等提供關鍵決策資訊。

近日 Google 旗下 AI 實驗室 DeepMind 在《Nature》發表論文,將機器學習運用到降雨接近預報,並建立深度生成模型(Deep Generative Model,DGM)。環境科學與人工智慧聯盟開闢新道路,DeepMind 認為,目前即時預報有兩個問題。

今日天氣預報主要由數值天氣預報系統(NWP)驅動,但 NWP 很難為 2 小時內生成高解析度預測,即時預報可填補這段關鍵時間。不過主流即時預報同樣有缺點──不易預測重要的非線性事件

另一方面,近年雖開發出幾種基於機器學習的氣候預測法,能準確預測低強度降雨,但對罕見的中大雨事件表現不佳。

▲ 過去 20 分鐘觀測雷達為 90 分鐘內天氣提供機率預測。(Source:DeepMind

DeepMind 認為,為了使即時預報更有價值,必須提供準確預測,充分考慮不確定性,以及大雨預測有統計性顯著改善。同時天氣感測進步使高解析度雷達高頻率使用,往往每 5 分鐘一次、解析度為 1 公里。這些高品質數據為機器學習技術介入提供機會。

DeepMind DGM 學習數據機率分佈,並曾基於 2016~2018 年英國雷達記錄的大量降雨事件資料庫訓練。之後可在單個輝達 V100 GPU 運行僅 1 秒多就提供即時預報。DeepMind 斷言,DGM 能預測潛在隨機性難以追蹤的天氣,以及準確預測降雨位置。

▲ 比起另兩種方法,DeepMind 預測(右上)更準確清楚。(Source:DeepMind

經 56 名氣象學家判斷,與主流即時預報和其他機器學習模型相比,DGM 在 1,536×1,280 公里內即時預測更精確一致。89% 案例比其他兩種方法更準確實用,即時範圍為 5~90 分鐘。

人工智慧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慧生成極端天氣圖像,使氣候變化可視化。氣候問題很難集體動員,原因之一是人們認為這些變化通常離我們很遠。與個人相關甚至情緒化資訊才能真正有效傳播。

▲ 右為生成影像。(Source:Arxiv.org

研究人員輸入不同位置和建築類型(如房屋、農場、街道、城市)圖像,形成十多種人工智慧合成模式,再請評估人員選擇真實圖像和半生成圖像,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,據用戶選擇位置生成極端天氣下最逼真圖像,包括洪水、山火、熱帶氣旋乃至更多災難性事件。

「氣候變化」是今年關鍵詞,2021 年諾貝爾物理學獎授予三名科學家,其中兩位因「建立地球氣候物理模型、量化其變性並可靠預測全球變暖」研究獲獎。據國際非營利組織 CDP,全球最大 500 家公司幾十年內需付約 1 兆美元,承擔與氣候變化相關成本,除非提前積極採取措施。

DeepMind 高級研究員 Shakir Mohamed 認為

能為複雜現象建模、快速預測和表現不確定性,使人工智慧成為環境科學家的強大工具。

順應形勢,DeepMind 模型和其他類似模型或有廣泛運用空間,幫助預測者花更少時間瀏覽不斷增長的預測數據堆,專注預測背後的含義。

(本文由 愛范兒 授權轉載;首圖來源:pixabay

延伸閱讀: