機器之心報道
編輯：杜偉、小舟
藉助機器學習，DeepMind 又在降雨預測領域「祭出了大招」。
眾所周知，英國人非常喜歡談論天氣。一個重要的原因是因為英國的天氣比較多變，外出通常需要備傘。國內今年夏天也雨水頗多，降雨成為影響人們決策的重要因素。
身處英國的頂級 AI 研究機構 DeepMind 近日與氣象機構合作撰寫並在《nature》上發表了一篇關於天氣預測的論文，指出人工智慧有望在不斷變化的環境中幫助人們應對決策挑戰。
短時天氣預報
縱觀人類社會生活，天氣預報具有悠久的歷史。早在東漢時期，張衡就發明了世界最早的風向儀——相風銅鳥。南宋數學家秦九韶更提出了傳統的雨量測試換算公式。到了明朝永樂年間，中國的雨量器已經發展成一套成熟的工具。而在現代生活中人們通常藉助強大的數值天氣預報 （NWP） 系統來預測天氣。
現在 DeepMind 又引入了機器學習的方法。
在數值天氣預報（numerical weather prediction， NWP）中，透過求解物理方程可提前幾天提供基本的行星尺度預測，但是卻很難生成短期（例如兩小時內）的高解析度預測。因此就需要即時預報（Nowcasting）來填補效能差距。
即時預報對於水資源管理、農業、航空、應急計劃和戶外活動等領域至關重要。天氣感測方面的進步使得高頻使用高解析度雷達資料（測量地面降水量）成為現實。然而現有方法難以讓高質量資料得到最佳利用，因此該研究提出用機器學習改進即時預報。
降雨即時預報的條件式生成模型 DGMR
DeepMind 此次的研究專注於降雨即時預報：最多提前 2 小時預測到降雨量、降雨時間和降雨地點。他們使用一種類似於 GAN 的深度生成模型方法 DGMR，並基於過去的雷達資料對未來的天氣資訊進行詳細和合理的預測。
該模型在大規模降雨事件語料庫上進行訓練，並且該研究還使用一種重要性取樣方案（importance-sampling scheme）來建立一個更能代表強降雨的資料集。在整個過程中，所有模型都在 2016 至 2018 年英國的雷達觀測資料上進行訓練，並在 2019 年的測試集上進行了評估。
經過訓練後，該模型能夠快速生成全解析度即時預報：
僅用一塊英偉達 V100 GPU 就能在一秒左右的時間裡生成單個預測
。
基於過去 20 分鐘觀測雷達獲取的資料，DGMR 能夠預測未來 90 分鐘的降雨機率。
從原理上來講，DGMR 即時預報演算法是一個條件式生成模型，它基於給定的時間點 T 使用基於雷達的地面降雨估計值 X_T，基於過去 M 個雷達場預測未來的雷達場。該模型包含潛在隨機向量 Z 和引數θ，可以使用方程（1）表示：
如下 DGMR 模型架構示意圖展示了具有空間潛變數 Z 的雷達生成器（generator）：
下圖 a 是雷達生成器的架構圖；圖 b（左）從上到下依次為時間判別器、空間判別器和潛在條件堆疊，b（右）從上到下依次為 G 塊、D 和 3D 塊、L 塊。
模型評估：準確性和實用性均為最強
從概念上講，這是一個生成雷達影像的問題。目前，研究團隊利用這些方法，即可以準確地捕捉大規模降雨事件，也能夠生成很多替代性降雨場景（被稱為集合預報 ensemble prediction），從而探索降雨的不確定性。
研究團隊表示，他們特別感興趣的是這些模型針對中到暴雨的降雨事件的預測能力，這些對人們生活和經濟影響是較大的。因此，他們將 DGMR 與 PySTEPS 和 UNet 這兩種同類方法進行了比較。為了公平起見，研究者隱匿了這些模型的名稱，並邀請了英國國家氣象局的 56 名氣象專家進行認知評估。
與其他兩種方法相比，DGMR 在 1536×1280 公里的區域內實現了更真實、時空一致性更強的預測，並且 DGMR 更注重未來 5 到 90 分鐘內的即時預測。
研究者以兩個例項進行了詳細說明。首先是 2019 年 4 月英國遭遇的極強降雨事件（基於觀測雷達的資料），如下動圖所示，DGMR 相較平流方法 PySTEPS 能夠更好地捕捉到環流、強度和結構，並且可以更準確地預測東北部的降雨量和運動。與確定性深度學習方法 UNet 相比，DGMR 生成的預測更加清晰。
然後是 2019 年 4 月美國東部的強降雨事件（基於觀測雷達的資料），如下動圖所示，與 PySTEPS 相比，DGMR 能夠平衡降雨的強度和範圍，並且不像 UNet 那樣預測結果模糊。
研究者表示，與其他廣泛使用的即時預報方法相比，56 名氣象學家在 89% 的案例中將 DGMR 作為首選方案，證明了該方法能夠為現實決策提供強大的支援。
未來繼續提高長期預測準確性
透過使用統計、經濟和認知分析，DeepMind 的研究者展示了一種新的、具有競爭力的雷達降雨即時預測方法。未來研究者需要做更多的工作來提高長期預測的準確性以及對罕見和強烈事件的預測準確性。DeepMind 還將開發其他評估效能的方法，並進一步將這些方法專門用於特定的實際應用。
研究者認為這是一個令人興奮的研究領域，他們希望這篇論文能夠作為新工作的基礎，提供資料和驗證方法，使提供有競爭力的驗證和操作效用成為可能，並促進機器學習和環境科學的更大整合，以更好地支援應對氣候變化的決策。
https：//deepmind。com/blog/article/nowcasting
機器之心 · 機動組
機動組是機器之心發起的人工智慧技術社群，聚焦於學術研究與技術實踐主題內容，為社群使用者帶來技術線上公開課、學術分享、技術實踐、走近頂尖實驗室等系列內容。機動組也將不定期舉辦線下學術交流會與組織人才服務、產業技術對接等活動，歡迎所有 AI 領域技術從業者加入。
