對未來高精度的長時天氣預(yù)報對社會生產(chǎn)生活的方方面面都具有重要意義，但目前精確的長時預(yù)測依然是氣象基礎(chǔ)科學(xué)領(lǐng)域所面臨的基礎(chǔ)科學(xué)問題和重大挑戰(zhàn)。目前絕大多數(shù)氣象機構(gòu)采用的天氣預(yù)報系統(tǒng)主要基于大氣的物理模型來進行計算，盡管在過去幾十年數(shù)值計算預(yù)報取得了長足的進步，但預(yù)報的精度仍然受到計算硬件的限制，并對支配大氣現(xiàn)象物理規(guī)律的近似十分敏感。

深度學(xué)習(xí)為氣象學(xué)界提供了一種克服上述限制的可行方向：與顯式地探索和利用氣象物理規(guī)律不同，DNNs將從輸入的氣象數(shù)據(jù)中發(fā)現(xiàn)天氣的變化模式，并學(xué)習(xí)出輸入數(shù)據(jù)到氣象預(yù)測間的復(fù)雜變換，并利用像GPUs和TPUs等強大的算力工具并行化的處理大規(guī)模的氣象數(shù)據(jù)。

最近來自谷歌的研究人員提出了基于深度學(xué)習(xí)的降水預(yù)測模型MetNet實現(xiàn)了1km空間分辨率以及2min時間分辨率的高精度預(yù)測，在實際測試中超過了NOAA使用的大氣模型結(jié)果，并實現(xiàn)了全美范圍內(nèi)提前7－8小時的預(yù)測，為深度學(xué)習(xí)解決復(fù)雜的氣象問題提供了新的解決方案。

模型的輸入來自動收集的地面雷達(dá)站數(shù)據(jù)和衛(wèi)星數(shù)據(jù)，經(jīng)過計算后輸出概率分布從而可以計算出每個地理區(qū)域降水的不確定性。上圖顯示了美國大陸未來2mins到480mins的降水概率。

基于神經(jīng)網(wǎng)絡(luò)的天氣模型

MetNet的不同在于它不依賴于顯式的大氣動力學(xué)模型，而是直接基于氣象觀測數(shù)據(jù)進行學(xué)習(xí)。其數(shù)據(jù)來源于地面雷達(dá)站和NOAA的衛(wèi)星系統(tǒng)，涵蓋了降水和云層的測量信息。研究人員將這兩類數(shù)據(jù)通過圖片的方式輸出模型以便高效計算。

模型的預(yù)測范圍是1km分辨率下的64kmx64km，由于天氣系統(tǒng)的動力學(xué)特性模型實際需要覆蓋的物理范圍卻遠(yuǎn)大于預(yù)測的區(qū)域。模型需要考慮云層和降水區(qū)域的移動和大氣的相關(guān)運動。例如云層的移動速度是60km／h，那么八小時的預(yù)測就需要覆蓋至少480km的區(qū)域。綜合考慮后研究人員為每個64kmx64km區(qū)域提供了1024kmx1024km范圍的輸入數(shù)據(jù)。

輸入數(shù)據(jù)的尺寸為1024kmx1024km，預(yù)測輸出為64kmx64km．

由于處理1024kmx1024km分辨率需要消耗非常大的內(nèi)存，研究人員對輸入數(shù)據(jù)進行下采樣以降低計算需求，同時保持了輸入數(shù)據(jù)中相關(guān)天氣的模式。隨后利用基于LSTM的時域編碼器在時間維度上進行降采樣，將先前90mins的數(shù)據(jù)以15mins的間隔進行編碼。時域編碼器的輸出隨后被送入到空間聚合器中，并給予自注意力機制高效地抽取數(shù)據(jù)中長程空間相關(guān)性。基于豐富的上下文信息對64kmx64km的區(qū)域進行預(yù)測。最終的輸出結(jié)果為給定降水率下每平方公里的概率分布。

下圖顯示了MetNet的網(wǎng)絡(luò)架構(gòu) ，輸入觀測數(shù)據(jù)通過空間降采樣和時間編碼進行處理，而后利用軸注意力層為模型提供輸入數(shù)據(jù)的全局信息。

優(yōu)異的預(yù)報結(jié)果

為了驗證這一模型的效果，研究人員在降水量預(yù)測基準(zhǔn)上進行了測評，同時與NOAA基于氣象模型的高精度預(yù)報系統(tǒng)HRRR和基于光流的短時基線模型進行了比較�；�于神經(jīng)網(wǎng)絡(luò)的重大優(yōu)勢在于對計算密集型任務(wù)的并行化優(yōu)化可以在GPU和TPU等專用硬件達(dá)到非常高的性能，對于全國或者特定城市都只需要幾秒鐘的推理時間，而其余方法則需要超級計算機一個小時的計算。

下圖展示了三種方法的定量結(jié)果，MetNet在八小時預(yù)測上超過了NOAA的HRRR系統(tǒng)，并比流模型具有更好的連續(xù)性。

一毫米降雨量下的F1分?jǐn)?shù)，圖中藍(lán)線顯示了MetNet的性能十分優(yōu)異

由于大氣系統(tǒng)的隨機性，預(yù)測不確定性隨時間而增長。由于MetNet是概率模型，我們可以可視化呈現(xiàn)不確定性隨時間的增長。而HRRR不能直接預(yù)測概率，下圖顯示了兩種模型預(yù)測結(jié)果的比較。

頂部的MetNet、底部的HRRR以及中間的基準(zhǔn)進行比較。

HRRR預(yù)測的結(jié)果更為銳利結(jié)構(gòu)更為豐富，但結(jié)構(gòu)的精確性卻不及MetNet。這主要是由于模型初始條件的不確定性引起的。

左側(cè)的HRRR結(jié)果只輸出了單個可能的結(jié)果，而右側(cè)的MetNet則考慮了未來結(jié)果的不確定性，為所有可能的預(yù)測提供了綜合的研判結(jié)果。