準(zhǔn)確預(yù)測(cè)未來(lái)幾分鐘到幾周的天氣是一項(xiàng)基本的科學(xué)挑戰(zhàn)，它可以對(duì)社會(huì)的許多方面產(chǎn)生廣泛影響。

很多氣象機(jī)構(gòu)目前采用的預(yù)報(bào)是基于大氣的物理模型。盡管在過(guò)去幾十年有很大的改進(jìn)，但這些模型本身受到計(jì)算要求的限制。并且，它們對(duì)物理定律的近似值非常敏感。

另一種能夠克服這些限制的天氣預(yù)報(bào)方法是使用深神經(jīng)網(wǎng)絡(luò)（DNNs）。DNNs 在強(qiáng)大的專用硬件（如 GPU 和 TPU）上使用并行計(jì)算，發(fā)現(xiàn)數(shù)據(jù)中的模式，并學(xué)習(xí)從輸入到所需輸出的復(fù)雜轉(zhuǎn)換。

近日，在先前對(duì)降水量預(yù)報(bào)的研究基礎(chǔ)上，Google 提出了 MetNet，這是一種用于降水預(yù)報(bào)的神經(jīng)天氣模型。這種 DNN 能夠在未來(lái) 8 小時(shí)內(nèi)以 1km 的分辨率預(yù)報(bào)降水量，時(shí)間間隔為 2 分鐘。MetNet 的預(yù)測(cè)時(shí)間比 NOAA 目前使用的最先進(jìn)的基于物理的模型提前了 7-8 小時(shí)。它可以在幾秒鐘內(nèi)對(duì)整個(gè)美國(guó)的降水量進(jìn)行預(yù)測(cè)，而 NOAA 需要花費(fèi)一小時(shí)。

網(wǎng)絡(luò)的輸入來(lái)自雷達(dá)站和衛(wèi)星網(wǎng)絡(luò)，無(wú)需人工標(biāo)注。模型輸出是一個(gè)概率分布，Google 用它來(lái)推斷每個(gè)地理區(qū)域的降水率和相關(guān)的不確定性。下圖提供了該網(wǎng)絡(luò)對(duì)美國(guó)大陸的預(yù)測(cè)示例。

MetNet 模型預(yù)測(cè)結(jié)果與 NOAA 多雷達(dá)/多傳感器系統(tǒng)（MRMS）測(cè)量的地面真實(shí)值進(jìn)行了比較。MetNet 模型（上圖頂部）顯示了從 2 分鐘到 480 分鐘前預(yù)測(cè)的每小時(shí) 1 毫米降水的概率，而 MRMS 數(shù)據(jù)（上圖底部）顯示了在同一時(shí)間段內(nèi)接收到至少每小時(shí) 1 毫米降水的區(qū)域。

神經(jīng)天氣模型

MetNet 不依賴于大氣動(dòng)力學(xué)領(lǐng)域的物理定律，它是通過(guò)反向傳播學(xué)習(xí)，直接從觀測(cè)數(shù)據(jù)中預(yù)測(cè)天氣。該網(wǎng)絡(luò)使用由多雷達(dá)/多傳感器系統(tǒng)（MRMS）組成的地面雷達(dá)站，以及提供大氣中云層自頂向下的視圖的衛(wèi)星系統(tǒng)測(cè)量得出的降水量估計(jì)值。這兩個(gè)數(shù)據(jù)源均覆蓋美國(guó)大陸，并提供可由網(wǎng)絡(luò)有效處理的圖像類輸入。

該模型每 64km*64km 執(zhí)行一次，覆蓋整個(gè)美國(guó)，其分辨率為 1 km。然而，與這些輸出區(qū)域相比，輸入數(shù)據(jù)的實(shí)際物理覆蓋范圍要大得多，因?yàn)樗仨毧紤]到在進(jìn)行預(yù)測(cè)的時(shí)間段內(nèi)云和降水場(chǎng)的可能運(yùn)動(dòng)。

例如，假設(shè)云以每小時(shí) 60km 的速度移動(dòng)，為了作出可靠的預(yù)測(cè)，捕捉到 8 小時(shí)前的大氣時(shí)間動(dòng)態(tài)，模型需要 60*8=480km 的全方位空間背景。因此，要達(dá)到這個(gè)程度，需要 1024km*1024km 區(qū)域中的信息來(lái)對(duì)中心 64km*64km 補(bǔ)丁進(jìn)行預(yù)測(cè)。

包含衛(wèi)星和雷達(dá)圖像（1024 *1024 平方公里）的輸入補(bǔ)丁和輸出預(yù)測(cè)雷達(dá)圖像（64*64 平方公里）

由于以全分辨率處理 1024km*1024km 的區(qū)域需要大量?jī)?nèi)存，因此研究人員使用空間下采樣器，通過(guò)減少輸入面片的空間維度來(lái)減少內(nèi)存消耗。同時(shí)，在輸入中查找并保留相關(guān)的天氣模式。然后沿降采樣輸入數(shù)據(jù)的時(shí)間維度應(yīng)用時(shí)間編碼器，對(duì) 90 分鐘輸入數(shù)據(jù)的 7 個(gè)快照進(jìn)行編碼，編碼片段長(zhǎng)度為 15 分鐘。時(shí)間編碼器采用卷積 LSTM 實(shí)現(xiàn)，該卷積 LSTM 特別適合于圖像序列。

然后，時(shí)間編碼器的輸出被傳遞到空間聚集器，空間聚集器使用軸向自關(guān)注，有效地捕獲數(shù)據(jù)中的長(zhǎng)距離空間依賴性，并基于輸入目標(biāo)時(shí)間使用可變數(shù)量的上下文，以在 64km*64km 的輸出上進(jìn)行預(yù)測(cè)。

這種結(jié)構(gòu)的輸出是一個(gè)離散的概率分布，估計(jì)美國(guó)大陸每平方公里的給定降水率的概率。

神經(jīng)氣象模型 MetNet 的結(jié)構(gòu)

結(jié)果

研究人員根據(jù)一個(gè)降水率預(yù)測(cè)基準(zhǔn)對(duì) MetNet 進(jìn)行評(píng)估，并將結(jié)果與兩個(gè)基線進(jìn)行比較：NOAA 高分辨率快速刷新 HRRR 系統(tǒng)，這是目前在美國(guó)運(yùn)行的物理天氣預(yù)測(cè)模型；一個(gè)估計(jì)降水場(chǎng)運(yùn)動(dòng)（即光流）的基線模型，它是一種在預(yù)測(cè)時(shí)間少于 2 小時(shí)時(shí)，表現(xiàn)也很好的方法。

Google 的神經(jīng)天氣模型的一個(gè)顯著優(yōu)點(diǎn)是，它是為密集并行計(jì)算而優(yōu)化的，并且非常適合在專用硬件（如 TPU）上運(yùn)行。無(wú)論是針對(duì)紐約市這樣的特定地點(diǎn)還是針對(duì)整個(gè)美國(guó)，預(yù)測(cè)可以在幾秒鐘內(nèi)并行進(jìn)行。而像 HRRR 這樣的物理模型在超級(jí)計(jì)算機(jī)上的運(yùn)行時(shí)間約為一小時(shí)。

在下面的圖表中，研究人員量化了 MetNet、HRRR 和光流基線模型之間的性能差異。這里展示了這三個(gè)模型所取得的性能，在降水率閾值為 1.0mm/h（相當(dāng)于小雨）時(shí)使用 F1 分?jǐn)?shù)進(jìn)行評(píng)估。MetNet 神經(jīng)天氣模型能夠在 8 小時(shí)內(nèi)超過(guò) NOAA-HRRR 系統(tǒng)，并且始終優(yōu)于基于流量的模型。

1.0 mm/h 降水率（越高越好）下的 F1 得分評(píng)估性能。神經(jīng)天氣模型（MetNet）比目前在美國(guó)運(yùn)行的基于物理的模型（HRRR）的時(shí)間尺度要提前 8 小時(shí)。

由于大氣的隨機(jī)性，未來(lái)天氣狀況的不確定性隨著預(yù)測(cè)時(shí)間的延長(zhǎng)而增加。

MetNet 是一個(gè)概率模型，隨著預(yù)測(cè)時(shí)間的延長(zhǎng)，預(yù)測(cè)的不確定性在可視化中表現(xiàn)為預(yù)測(cè)的日益平滑。相反，HRRR 并不直接進(jìn)行概率預(yù)測(cè)，而是會(huì)對(duì)未來(lái)的降水情況進(jìn)行單一的預(yù)測(cè)。下圖比較了 MetNet 模型和 HRRR 模型的輸出。

從 NOAA MRMS 系統(tǒng)獲得的 MetNet（上）和 HRRR（下）到地面真值（中）的輸出之間的比較。注意，雖然 HRRR 模型預(yù)測(cè)的結(jié)構(gòu)似乎更接近于基本事實(shí)，但預(yù)測(cè)的結(jié)構(gòu)可能嚴(yán)重錯(cuò)誤。

與 MetNet 模型相比，HRRR 物理模型的預(yù)測(cè)更清晰、更結(jié)構(gòu)化。但其結(jié)構(gòu)，特別是預(yù)測(cè)結(jié)構(gòu)的準(zhǔn)確時(shí)間和位置的精度較低。這是由于初始情況和模型參數(shù)的不確定性造成的。

HRRR（左）從許多可能的結(jié)果中預(yù)測(cè)單個(gè)潛在的未來(lái)結(jié)果（紅色），而 MetNet（右）通過(guò)分配未來(lái)結(jié)果的概率直接解釋不確定性。

未來(lái)方向

Google 正在積極研究如何改進(jìn)全球天氣預(yù)報(bào)模型，尤其是在氣候快速變化很大的地區(qū)的準(zhǔn)確性。雖然上文展示了美國(guó)大陸目前的 MetNet 模型，但它可以擴(kuò)展到任何有足夠雷達(dá)和光學(xué)衛(wèi)星數(shù)據(jù)的地區(qū)。本文提出的工作是這一努力的一個(gè)小小的墊腳石，Google 希望通過(guò)今后與氣象界的合作，能夠帶來(lái)更大的改進(jìn)。