谷歌AI模型胜过气象预测传统方法

摘要:

据外媒报道,几周前,谷歌人工智能(AI)使用了一个机器学习模型来改进对乳腺癌的筛查工作。现在,这家公司已经在即时预报降水中使用了卷积神经网络(CNN)。谷歌AI研究人员在一篇名为《Machine Learning for Precipitation Nowcasting from Radar Images》的文章中提到了其在降水短期预测中对CNN的利用。

01.gif

结果看起来似乎很有前景,按照谷歌自己的说法,其得到的结果比传统方法还要好:这种降水即时预报侧重于0-6小时预报,它可生成的分辨率为1公里、总延迟只有5-10分钟的预报(包括数据收集延迟),甚至在开发的早期阶段其表现也优于传统模型。

据了解,传统方法需要结合对大气如何工作的先验知识,而这批研究人员使用的“物理自由”法却将天气预报问题变成了一个单独的从图像到图像的转换问题。因此,由团队训练的CNN--U-Net--只需要对提供给它的训练例子估计大气物理。

为了训练U-Net,团队使用了多光谱卫星图像。从2017年到2019年在美国大陆收集的数据被用于最初的训练。更具体一点来说,数据被分成了四个星期的数据块,其中最后一个星期用作评估数据集,其余的则用作培训数据集。

不同于传统即时预报采取的高分辨率快速刷新(HRRR)数值预报、光流(OF)算法和持久性模型的是,U-Net模型利用精度图和回忆图的方法所表现的预报质量更优。

02.jpg

此外,该模型还提供了瞬时预测。这是一个额外的优势,因为传统的方法如HRRR计算延迟时间有1-3小时。这使得机器学习模型能够处理新的数据。不过HRRR中使用的数值模型可以做出更好的长期预测,部分原因是它使用了一个完整的3D物理模型--从2D图像中很难观察到云的形成,所以对于机器学习来说学习对流过程显得更难。

谷歌认为,将HRRR和机器学习模型这两种方法结合起来可能会带来更好的效果,因为这两种方法可以实现准确、快速短期以及长期预测。这家公司表示,他们有在考虑未来将机器学习技术直接应用到3D观测中。

活动入口:

京喜首个年货节开启 “超级百亿补贴”红包在此领取

查看评论
created by ceallan