從觀測(cè)星星開(kāi)始，人類就在試圖預(yù)測(cè)天氣。中小學(xué)英語(yǔ)課也讓我們知道，英國(guó)人的寒暄十有八九是從天氣開(kāi)始談起。我應(yīng)該帶傘嗎？遇到大雨的車輛如何安排路線？在戶外活動(dòng)時(shí)需要采取哪些安全措施？對(duì)天氣的預(yù)測(cè)對(duì)日常生活有重要意義。 

「短時(shí)天氣預(yù)報(bào)」是預(yù)報(bào)未來(lái) 0-12 小時(shí)內(nèi)天氣趨勢(shì)的預(yù)報(bào)，而「臨近預(yù)報(bào)」（nowcasting）是短時(shí)天氣預(yù)報(bào)中的一類，專指未來(lái) 0-2 小時(shí)的天氣預(yù)報(bào)，為能源管理、海事服務(wù)、洪水預(yù)警系統(tǒng)、空中交通管制等提供關(guān)鍵決策信息。 

圖片來(lái)自：Getty Image 

近日，Google 旗下的 AI 實(shí)驗(yàn)室 DeepMind 在 Nature 雜志發(fā)表了一篇論文，研究?jī)?nèi)容是將機(jī)器學(xué)習(xí)運(yùn)用到針對(duì)降雨的臨近預(yù)報(bào)中，并創(chuàng)建出了一個(gè)深度生成模型（Deep Generative Model，以下簡(jiǎn)稱 DGM）。 

環(huán)境科學(xué)與人工智能的聯(lián)盟，為臨近預(yù)報(bào)開(kāi)辟了嶄新的道路。DeepMind 認(rèn)為，目前的臨期預(yù)報(bào)存在兩方面的問(wèn)題。 

圖片來(lái)自：Getty Image 

一方面，今天的天氣預(yù)報(bào)主要由數(shù)值天氣預(yù)報(bào)系統(tǒng)（NWP）驅(qū)動(dòng)，但 NWP 很難為 2 小時(shí)內(nèi)的臨近時(shí)間生成高分辨率預(yù)測(cè)，臨近預(yù)報(bào)填補(bǔ)了這段關(guān)鍵間隔。不過(guò)，主流的臨近預(yù)報(bào)方法同樣存在缺點(diǎn)——不易捕捉重要的非線性事件。 

另一方面，近年來(lái)已有幾種基于機(jī)器學(xué)習(xí)的氣候預(yù)測(cè)方法被開(kāi)發(fā)出來(lái)，這些方法雖然能準(zhǔn)確預(yù)測(cè)低強(qiáng)度降雨，但在罕見(jiàn)的中大雨事件中表現(xiàn)不佳。 

過(guò)去 20 分鐘的觀測(cè)雷達(dá)為未來(lái) 90 分鐘提供概率預(yù)測(cè). 圖片來(lái)自：DeepMind 

簡(jiǎn)而言之，DeepMind 認(rèn)為，為了使臨近預(yù)報(bào)更有價(jià)值，必須提供準(zhǔn)確預(yù)測(cè)，充分考慮不確定性，以及在大雨預(yù)測(cè)方面做出統(tǒng)計(jì)上的顯著改進(jìn)。 

與此同時(shí)，天氣傳感的進(jìn)步使得高分辨率雷達(dá)可以高頻使用，往往每 5 分鐘一次、分辨率為 1 公里。這些高質(zhì)量數(shù)據(jù)為機(jī)器學(xué)習(xí)技術(shù)的介入提供了機(jī)會(huì)。 

DeepMind 的 DGM 學(xué)習(xí)了數(shù)據(jù)的概率分布，并曾基于 2016 年至 2018 年英國(guó)雷達(dá)記錄的大量降水事件數(shù)據(jù)集訓(xùn)練。訓(xùn)練之后，它可以在單個(gè)英偉達(dá)V100 GPU 上運(yùn)行僅一秒多后提供臨近預(yù)報(bào)。DeepMind 斷言，DGM 能夠預(yù)測(cè)潛在的隨機(jī)性下難以跟蹤的天氣事件，以及準(zhǔn)確預(yù)測(cè)降水的位置。 

相比另外兩種方法，DeepMind 的預(yù)測(cè)（右上）更準(zhǔn)確清晰. 圖片來(lái)自：DeepMind 

經(jīng)由 56 名氣象學(xué)家評(píng)判，與主流臨近預(yù)報(bào)和其他機(jī)器學(xué)習(xí)模型相比，DGM 在 1536 km×1280 km 的區(qū)域內(nèi)具有更真實(shí)和一致的臨近預(yù)測(cè)，在 89% 的案例中比起其他兩種方法更為準(zhǔn)確和實(shí)用，臨近時(shí)間為 5 到 90 分鐘。 

人工智能在氣候變化領(lǐng)域還有更多用處。2019 年 10 月，研究人員利用人工智能生成極端天氣圖像，使氣候變化可視化。氣候問(wèn)題很難喚起集體動(dòng)員，一個(gè)原因是人們認(rèn)為這些變化通常發(fā)生在遙遠(yuǎn)時(shí)空。因此，與個(gè)人相關(guān)甚至情緒化的信息才能產(chǎn)生真正有效的傳播。 

右邊是生成的圖像. 圖片來(lái)自：venturebeat 

研究人員輸入不同位置和建筑類型（如房屋、農(nóng)場(chǎng)、街道、城市）的圖像，形成十多種人工智能合成樣式，再請(qǐng)?jiān)u估人員在真實(shí)圖像和半生成圖像之間進(jìn)行選擇，計(jì)算平均錯(cuò)誤率。這項(xiàng)工作的最終愿景是創(chuàng)建機(jī)器學(xué)習(xí)架構(gòu)，根據(jù)用戶選擇的位置生成極端天氣下的最逼真圖像，包括洪水、山火、熱帶氣旋乃至更多的災(zāi)難性事件。 

圖片來(lái)自：Getty Image 

「氣候變化」是今年的關(guān)鍵詞， 2021 年諾貝爾物理學(xué)獎(jiǎng)被授予三名科學(xué)家，其中兩位因「建立地球氣候的物理模型、量化其可變性并可靠地預(yù)測(cè)全球變暖」的研究獲獎(jiǎng)。據(jù)國(guó)際非營(yíng)利組織 CDP，全球最大的 500 家公司在未來(lái)幾十年中需付出約 1 萬(wàn)億美元，以承擔(dān)與氣候變化相關(guān)的成本，除非他們提前采取積極措施。 

DeepMind 高級(jí)研究員 Shakir Mohamed 認(rèn)為： 

對(duì)復(fù)雜現(xiàn)象進(jìn)行建模、做出快速預(yù)測(cè)和表現(xiàn)不確定性的能力，使得人工智能成為環(huán)境科學(xué)家的強(qiáng)大工具。 

順應(yīng)這一形勢(shì)，DeepMind 的模型和其他類似模型或?qū)⒂袕V泛的運(yùn)用空間，幫助預(yù)測(cè)者花費(fèi)更少的時(shí)間瀏覽不斷增長(zhǎng)的預(yù)測(cè)數(shù)據(jù)堆，從而專注于預(yù)測(cè)背后的含義。 

本文來(lái)自微信公眾號(hào) “愛(ài)范兒”（ID：ifanr），作者：張成晨，36氪經(jīng)授權(quán)發(fā)布。