Google現在研究以機器學習來即時預測天氣,目前這項研究仍在初期階段,但已經能以1公里的預測解析度,預報接下來6小時內的降雨,總延遲時間只有5到10分鐘。Google提到,利用機器學習進行預測,僅需要雷達資料且不需要進行實際的物理模擬,由於在訓練好的模型上進行預測運算成本很低,因此即便利用高解析度的資料,也能執行接近即時的預測。

天氣很大程度影響人們的日常生活,而天氣預報能夠讓人們對即將到來的天氣,預先採取應對措施,小至改變周末計畫,大致風暴來襲撤離居民,但是要能預測局部性暴雨,或是雷暴這種以小時為單位的事件,並非一件簡單的事。

目前有許多科技用來預測氣象,像是都卜勒雷達可用來即時測量降雨(圖下),氣象衛星(圖上)可提供多譜成像等圖像,而地面站則能直接測量風力與降雨。美國國家海洋與大氣管理局(NOAA)每天收集的遙測資料多達100TB,NOAA將這些資料以超級電腦上的天氣預報引擎運算,提供1到10天的全球天氣預報。

但運算資源的可用性,限制了數值天氣預報的能力,像是天氣預報的空間解析度約為5公里,而這樣的解析度難以應用在市區或是農地上,而且因為數值方法需要花費數個小時運算,當每次運算需要花費6小時,則一天就只能運算3到4次,且用來預測的資料是6小時前的舊資料,這限制了人們對當前天氣狀態掌握的程度。

而Google利用機器學習從雷達圖像預測降雨,以更快且解析度更高的方式,預測地區的短期天氣,Google的系統可以利用1個小時的雷達圖像,預測接下來數小時的雷達圖像,時間範圍通常是0到6小時。

Google提到,因為雷達資料是以圖像的方式呈現,因此可以將天氣預測,轉換為電腦視覺的問題,以輸入的圖像序列來判斷氣象的演變,而氣象演變由兩個物理程序影響,其一是對流對雲移動的影響,以及對流對形成雲的影響,而這兩個程序都很大程度地受地形與地理環境影響。

由於Google使用非資料驅動的無物理方法,因此只能從樣本中,訓練神經網路學習近似天氣的物理,而非實際模擬大氣運作的原理,Google表示,由於是處理電腦視覺的問題,因此他們利用了圖像分析技術卷積神經網路。Google利用了2017年到2019年觀測資料訓練模型,資料以4星期為一個單位,一個單位前3個星期的資料為訓練資料,第4周的資料用來評估。

Google將運用機器學習的預側方法,與HRRR、OF演算法和持續型模型三個受到廣泛使用的快速預測模型,比較其精確率與召回率(Precision & Recall),Google提到,應用神經網路的方法其預測品質明顯高於其他三個模型,不過預測範圍在5到6小時後,HRRR的預測結果品質就會超越Google的機器學習方法。

使用機器學習預測的好處是可以即時取得結果,這代表能以最新的資料進行預測,而HRRR則因為需要運算較久,因此時間會延遲1到3小時,整體來說,機器學習方法可以獲得較佳的短期預測結果,而HRRR可以獲得較佳的長期預測結果,Google解釋,因為雲的形成是立體的,很難單從2D圖像中觀察,但把這兩個系統結合,將能提供更全面的預測結果。


Advertisement

更多 iThome相關內容