大数据文摘转载自数据派THU
作者︰The Nowcasting Team, Deepmind
翻译︰Gabriel Ng
校对：陈汉青
本文结合环境科学和AI领域知识，为决策者开辟实时降雨预报的新途径。
我们的生活与天气息息相关。根据一项研究，每一时刻都有三分之一的英国人，曾在过去一小时内讨论过天气，反映出天气（至少对英国人来说）在日常生活中的重要性。在各种天气现象中，下雨是特别重要的，因为它会直接影响到我们的日常决策。出门时应该带伞吗？遇到大雨时，要如何调度车辆路线？在户外活动中又应采取哪些安全措施？会不会有洪水？最新的研究和接近完美的模型推进了降水实时预报（Precipitation Nowcasting）的发展，这里降水实时预报即指预测未来 1-2 小时内的降雨（和其他降水现象）。
一篇与气象局合作撰写并发表在《自然》杂志上的论文中直接解决了这一天气预报中的重要挑战。这是个由环境科学和人工智能一起合作的成果，聚焦于决策者，开辟了实时降雨预报的新途径，并指出人工智能可以帮助我们在不断变化的环境下做出决策。
纵观历史，天气预测一直在社区和国家有着重要意义。一开始，中世纪的气象学家利用星星来进行预测。渐渐地，记录着季节和降雨模式的表格开始被保留下来。几个世纪后，刘易斯·弗莱 (Lewis Fry) 设想了一个“预测工厂”，其使用计算和大气物理方程来预测全球天气。在这部不断发展的天气预报历史中，我们现在增添了一个机器学习的角色。
如今我们的天气预报是由强大的数值天气预报 (NWP) 系统驱动的。通过求解物理方程，NWP 可以提前几天提供基本的行星尺度的预测。然而，他们很难在两小时以下这样的较短时间内，生成高分辨率的预测。而实时预报填补了这一关键时间区间的性能差距。
实时预报对于水资源管理、农业、航空、紧急应对和户外活动等行业至关重要。在天气传感方面的进步使得高分辨率的雷达数据（用作测量地面降水量）可以高频地使用（例如，在 1 公里分辨率下每 5 分钟收集一次数据）。在现有方法难以解决的关键领域，通过利用可用的高质量数据，机器学习有机会对实时预报做出贡献。
利用深层降雨生成模型 (DGMR)，过去 20 分钟观测到的雷达数据可被用于为接下來的 90 分钟提供概率性预测
我们关注于降雨的实时预报：最多可提前 2 小时预测降雨量、时间和降雨位置。我们使用一种称为生成建模（generative modeling）的方法，根据过往的雷达数据，对未来的雷达数据进行详细合理的预测。概念上来说，这个问题就像是要生成一部电影，只不过电影的每一帧是雷达影像。利用这些方法，我们一方面可以准确地捕捉大规模事件，另一方面还可以生成许多其他可供选择的降雨场景（称为集合预测），从而可以探索降雨的不确定性。我们在研究结果中使用了来自英国和美国的雷达数据。
我们对这些模型预测中雨到大雨的能力特别感兴趣，而这类型事件是对人们生活和经济影响最大的事件；并且与竞争方法相比，我们的方法在这些场景中显示出统计上的显著改进。重要的是，我们与英国国家气象局气象局的 50 多位专家气象学家进行了一项认知任务评估，与目前被广泛使用的实时预报方法相比，在 89% 的案例中专家们将我们的新方法评为他们的首选，证明了我们的方法能为现实世界的决策者提供洞察先机。
一个在2019 年 4 月在英国发生的高难度预测事件（预测目标是观测到的雷达数据）。我们的生成方法 (DGMR) 比起平流方法 (PySTEPS) 更好地描述了环流、强度和结构，并且更准确地预测东北部的降雨和活动。与确定性深度学习方法 (UNet) 不同，DGMR 还可以生成清晰的预测
2019 年 4 月在美国东部发生的强降水事件（预测目标是观测到的雷达数据）。与平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的强度和范围，而前者的预测强度通常太高；并且DGMR的预测不像确定性深度学习方法 (UNet) 那样模糊
通过使用统计、经济和认知分析，我们能够展示一种全新、具有竞争力的利用雷达来进行降水实时预报的方法。没有方法是完美的，接下来我们需要做更多的工作来提高长期预测的准确性以及对罕见和大强度事件的准确性。未来的工作需要我们开发其他评估性能的方法，并进一步将这些方法特化于特定的实际应用。
我们认为这是一个令人兴奋的研究领域，而我们希望我们的论文能够成为未来新工作的基础，通过提供数据和验证方法，使之有可能提供具有竞争力的验证和实操效能。我们更希望与气象局的这次合作将促进机器学习和环境科学之间进一步的整合，更好地支持在不断变化的气候中的决策。
原文标题︰
Nowcasting the Next Hour of Rain
原文链接：
https://deepmind.com/blog/article/nowcasting
