據(jù)外媒報道，幾周前，谷歌人工智能(AI)使用了一個機器學習模型來改進對乳腺癌的篩查工作?，F(xiàn)在，這家公司已經(jīng)在即時預報降水中使用了卷積神經(jīng)網(wǎng)絡(CNN)。谷歌 AI 研究人員在一篇名為《Machine Learning for Precipitation Nowcasting from Radar Images》的文章中提到了其在降水短期預測中對 CNN 的利用。

結果看起來似乎很有前景，按照谷歌自己的說法，其得到的結果比傳統(tǒng)方法還要好：這種降水即時預報側重于0-6 小時預報，它可生成的分辨率為 1 公里、總延遲只有5-10 分鐘的預報（包括數(shù)據(jù)收集延遲），甚至在開發(fā)的早期階段其表現(xiàn)也優(yōu)于傳統(tǒng)模型。

據(jù)了解，傳統(tǒng)方法需要結合對大氣如何工作的先驗知識，而這批研究人員使用的“物理自由”法卻將天氣預報問題變成了一個單獨的從圖像到圖像的轉換問題。因此，由團隊訓練的 CNN--U-Net--只需要對提供給它的訓練例子估計大氣物理。

為了訓練U-Net，團隊使用了多光譜衛(wèi)星圖像。從 2017 年到 2019 年在美國大陸收集的數(shù)據(jù)被用于最初的訓練。更具體一點來說，數(shù)據(jù)被分成了四個星期的數(shù)據(jù)塊，其中最后一個星期用作評估數(shù)據(jù)集，其余的則用作培訓數(shù)據(jù)集。

不同于傳統(tǒng)即時預報采取的高分辨率快速刷新(HRRR)數(shù)值預報、光流(OF)算法和持久性模型的是，U-Net 模型利用精度圖和回憶圖的方法所表現(xiàn)的預報質量更優(yōu)。

此外，該模型還提供了瞬時預測。這是一個額外的優(yōu)勢，因為傳統(tǒng)的方法如 HRRR 計算延遲時間有1-3 小時。這使得機器學習模型能夠處理新的數(shù)據(jù)。不過 HRRR 中使用的數(shù)值模型可以做出更好的長期預測，部分原因是它使用了一個完整的 3D 物理模型--從 2D 圖像中很難觀察到云的形成，所以對于機器學習來說學習對流過程顯得更難。

谷歌認為，將 HRRR 和機器學習模型這兩種方法結合起來可能會帶來更好的效果，因為這兩種方法可以實現(xiàn)準確、快速短期以及長期預測。這家公司表示，他們有在考慮未來將機器學習技術直接應用到 3D 觀測中。