Google基於之前以機器學習即時預測降雨的研究,進一步發展用於降雨預報的神經天氣模型MetNet,這是一個深度神經網路(DNN),能用來預報未來8小時內的降雨情況,以每2分鐘為一個區間,解析度可達1公里,且比起美國國家海洋與大氣管理局(NOAA)目前最先進物理模擬模型表現還要好,計算時間只需要幾秒鐘,較原本需要1小時的運算時間快上不少。

Google提到,許多氣象機構目前的預報系統,都是採用大氣物理模型,雖然過去幾年預測技術有很大的進展,但是仍受物理定律和計算需求侷限。而Google發展的天氣預報方法,則是以深度神經網路進行預測,這種方法不需要計算明確的物理定律,而是透過發現資料中的模式,並且計算輸入到輸出之間的複雜轉換。

新發表的MetNet可以直接自動取用,來自多雷達多感測器系統(MRMS),以及NOAA靜止環境觀測衛星(GOES)系統,由上而下的大氣雲圖,而且不需要經人為註釋,這兩個資料源可以完全覆蓋美國境內,並且提供模型能方便處理的類圖像資料。

MetNet以1公里的解析度,計算每個覆蓋美國的單位區塊,而每單位區塊範圍為64*64平方公里,不過,Google解釋,輸入資料實際覆蓋的單位區塊,比起輸出資料的單位區塊還要大得多,這是因為要考慮預測時間內雲層和降水區域可能的移動。

假設雲層以每小時60公里的速度移動,為了要足夠精確地預測8小時後情況,MetNet在所有方向都需要擷取60*8的空間,因此要對64*64平方公里的區域進行預測,就要用到涵蓋1024*1024平方公里區塊的資料。

但因為處理1024*1024平方公里的資料需要極大量的記憶體,因此Google利用採樣的方式,減少需要處理的空間維度,藉以降低記憶體使用,並且以15分鐘為一個單位,對輸入的資料進行快照編碼,接著找出資料內長距離空間相依關係,以最終產生64*64平方公里的輸出。這個輸出為離散的機率分布,估計了美國每平方公里的降雨機率。

Google將MetNet和另外兩種常用的天氣預測基準做比較,分別是NOAA的HRRR系統,HRRR系統是美國目前正在使用的物理天氣預報系統,另一種則是用來評估大氣活動的光流法(Optical Flow),可有效的預測2小時內的降雨。

MetNet明顯的優勢是最佳化了計算過程,無論是針對特定位置或是整個美國進行計算,都可以在幾秒鐘內取得預測結果,HRRR之類的物理模型,則需要在超級電腦上計算約1小時。在精確度上,在8小時內的降雨預測精確度,MetNet可以勝過HRRR,而且始終比光流法還要好。不過,HRRR物理模型預測出來的結果,比MetNet更清楚也更加結構化。

熱門新聞

Advertisement