準確預測未來幾分鐘到幾周的天氣是一項基本的科學挑戰(zhàn)，它可以對社會的許多方面產(chǎn)生廣泛影響。

很多氣象機構(gòu)目前采用的預報是基于大氣的物理模型。盡管在過去幾十年有很大的改進，但這些模型本身受到計算要求的限制。并且，它們對物理定律的近似值非常敏感。

另一種能夠克服這些限制的天氣預報方法是使用深神經(jīng)網(wǎng)絡(luò)（DNNs）。DNNs 在強大的專用硬件（如 GPU 和 TPU）上使用并行計算，發(fā)現(xiàn)數(shù)據(jù)中的模式，并學習從輸入到所需輸出的復雜轉(zhuǎn)換。

近日，在先前對降水量預報的研究基礎(chǔ)上，Google 提出了 MetNet，這是一種用于降水預報的神經(jīng)天氣模型。這種 DNN 能夠在未來 8 小時內(nèi)以 1km 的分辨率預報降水量，時間間隔為 2 分鐘。MetNet 的預測時間比 NOAA 目前使用的最先進的基于物理的模型提前了 7-8 小時。它可以在幾秒鐘內(nèi)對整個美國的降水量進行預測，而 NOAA 需要花費一小時。

網(wǎng)絡(luò)的輸入來自雷達站和衛(wèi)星網(wǎng)絡(luò)，無需人工標注。模型輸出是一個概率分布，Google 用它來推斷每個地理區(qū)域的降水率和相關(guān)的不確定性。下圖提供了該網(wǎng)絡(luò)對美國大陸的預測示例。

MetNet 模型預測結(jié)果與 NOAA 多雷達/多傳感器系統(tǒng)（MRMS）測量的地面真實值進行了比較。MetNet 模型（上圖頂部）顯示了從 2 分鐘到 480 分鐘前預測的每小時 1 毫米降水的概率，而 MRMS 數(shù)據(jù)（上圖底部）顯示了在同一時間段內(nèi)接收到至少每小時 1 毫米降水的區(qū)域。

神經(jīng)天氣模型

MetNet 不依賴于大氣動力學領(lǐng)域的物理定律，它是通過反向傳播學習，直接從觀測數(shù)據(jù)中預測天氣。該網(wǎng)絡(luò)使用由多雷達/多傳感器系統(tǒng)（MRMS）組成的地面雷達站，以及提供大氣中云層自頂向下的視圖的衛(wèi)星系統(tǒng)測量得出的降水量估計值。這兩個數(shù)據(jù)源均覆蓋美國大陸，并提供可由網(wǎng)絡(luò)有效處理的圖像類輸入。

該模型每 64km*64km 執(zhí)行一次，覆蓋整個美國，其分辨率為 1 km。然而，與這些輸出區(qū)域相比，輸入數(shù)據(jù)的實際物理覆蓋范圍要大得多，因為它必須考慮到在進行預測的時間段內(nèi)云和降水場的可能運動。

例如，假設(shè)云以每小時 60km 的速度移動，為了作出可靠的預測，捕捉到 8 小時前的大氣時間動態(tài)，模型需要 60*8=480km 的全方位空間背景。因此，要達到這個程度，需要 1024km*1024km 區(qū)域中的信息來對中心 64km*64km 補丁進行預測。

包含衛(wèi)星和雷達圖像（1024 *1024 平方公里）的輸入補丁和輸出預測雷達圖像（64*64 平方公里）

由于以全分辨率處理 1024km*1024km 的區(qū)域需要大量內(nèi)存，因此研究人員使用空間下采樣器，通過減少輸入面片的空間維度來減少內(nèi)存消耗。同時，在輸入中查找并保留相關(guān)的天氣模式。然后沿降采樣輸入數(shù)據(jù)的時間維度應用時間編碼器，對 90 分鐘輸入數(shù)據(jù)的 7 個快照進行編碼，編碼片段長度為 15 分鐘。時間編碼器采用卷積 LSTM 實現(xiàn)，該卷積 LSTM 特別適合于圖像序列。

然后，時間編碼器的輸出被傳遞到空間聚集器，空間聚集器使用軸向自關(guān)注，有效地捕獲數(shù)據(jù)中的長距離空間依賴性，并基于輸入目標時間使用可變數(shù)量的上下文，以在 64km*64km 的輸出上進行預測。

這種結(jié)構(gòu)的輸出是一個離散的概率分布，估計美國大陸每平方公里的給定降水率的概率。

神經(jīng)氣象模型 MetNet 的結(jié)構(gòu)

結(jié)果

研究人員根據(jù)一個降水率預測基準對 MetNet 進行評估，并將結(jié)果與兩個基線進行比較：NOAA 高分辨率快速刷新 HRRR 系統(tǒng)，這是目前在美國運行的物理天氣預測模型；一個估計降水場運動（即光流）的基線模型，它是一種在預測時間少于 2 小時時，表現(xiàn)也很好的方法。

Google 的神經(jīng)天氣模型的一個顯著優(yōu)點是，它是為密集并行計算而優(yōu)化的，并且非常適合在專用硬件（如 TPU）上運行。無論是針對紐約市這樣的特定地點還是針對整個美國，預測可以在幾秒鐘內(nèi)并行進行。而像 HRRR 這樣的物理模型在超級計算機上的運行時間約為一小時。

在下面的圖表中，研究人員量化了 MetNet、HRRR 和光流基線模型之間的性能差異。這里展示了這三個模型所取得的性能，在降水率閾值為 1.0mm/h（相當于小雨）時使用 F1 分數(shù)進行評估。MetNet 神經(jīng)天氣模型能夠在 8 小時內(nèi)超過 NOAA-HRRR 系統(tǒng)，并且始終優(yōu)于基于流量的模型。

1.0 mm/h 降水率（越高越好）下的 F1 得分評估性能。神經(jīng)天氣模型（MetNet）比目前在美國運行的基于物理的模型（HRRR）的時間尺度要提前 8 小時。

由于大氣的隨機性，未來天氣狀況的不確定性隨著預測時間的延長而增加。

MetNet 是一個概率模型，隨著預測時間的延長，預測的不確定性在可視化中表現(xiàn)為預測的日益平滑。相反，HRRR 并不直接進行概率預測，而是會對未來的降水情況進行單一的預測。下圖比較了 MetNet 模型和 HRRR 模型的輸出。

從 NOAA MRMS 系統(tǒng)獲得的 MetNet（上）和 HRRR（下）到地面真值（中）的輸出之間的比較。注意，雖然 HRRR 模型預測的結(jié)構(gòu)似乎更接近于基本事實，但預測的結(jié)構(gòu)可能嚴重錯誤。

與 MetNet 模型相比，HRRR 物理模型的預測更清晰、更結(jié)構(gòu)化。但其結(jié)構(gòu)，特別是預測結(jié)構(gòu)的準確時間和位置的精度較低。這是由于初始情況和模型參數(shù)的不確定性造成的。

HRRR（左）從許多可能的結(jié)果中預測單個潛在的未來結(jié)果（紅色），而 MetNet（右）通過分配未來結(jié)果的概率直接解釋不確定性。

未來方向

Google 正在積極研究如何改進全球天氣預報模型，尤其是在氣候快速變化很大的地區(qū)的準確性。雖然上文展示了美國大陸目前的 MetNet 模型，但它可以擴展到任何有足夠雷達和光學衛(wèi)星數(shù)據(jù)的地區(qū)。本文提出的工作是這一努力的一個小小的墊腳石，Google 希望通過今后與氣象界的合作，能夠帶來更大的改進。