Google針對天氣降水預測,在去年發布了神經網路模型MetNet,而在今年,Google持續推進這項研究,發布更強大的深度學習神經網路MetNet-2,能夠做到前12小時的降水預測。

天氣預報通常仰賴超級電腦,使用以物理為基礎的技術產生預測結果,但是這種方法有較高的計算資源要求,而深度學習則提供了另一種運算預測方法,深度學習模型不採用明確的物理公式,而是直接從觀測資料中,學習預測天氣模式,這種方式可以比基於物理的技術更快,能夠增加預測的頻率、範圍,甚至是準確性。

深度學習在臨近預測上,表現出極大的潛力,也就是能夠提前2到6小時預測天氣狀況,官方提到,之前的研究工作,主要是在天氣資料使用神經網路模型,MetNet能夠擴展預測時間從0到8小時,產生最多90分鐘的連續雷達資料,並且解釋神經網路學到的天氣訊息。

更新的MetNet-2將預測邊緣推進到12小時,能夠維持一公里的空間解析度,和2分鐘的時間解析度,輸入的上下文資料增加4倍,並且使用更豐富的天氣輸入狀態,能捕捉到更遠距離的空間相依關係,MetNet-2的效能比起MetNet成長不少,甚至比目前最先進的HREF組合模型的效能更好。

MetNet-2產出天氣事件的機率,像是下午城市下雨的可能性,或是前方晴天的可能性,研究人員提到,端到端深度學習系統透過直接連接系統的輸入和輸出,能夠簡化程序並且增加預測品質,MetNet-2的開發方向,也是朝著最大程度減少預測需要面對的複雜性和步驟總數前進。

MetNet-2使用的輸入,包含MetNet中所使用的雷達和衛星圖像,除此之外,還使用物理模型中的預處理起始狀態,做為額外的天氣資訊。研究人員使用雷達的降水測量(MRMS)來當作基準真相,以最佳化MetNet-2的參數。

研究人員解釋,MetNet-2的機率預測可以被視為所有未來天氣狀況的可能性平均,並根據可能性進行加權。MetNet-2所產生的結果,類似以物理計算為基礎的組合模型,該模型會對各種物理模型未來天氣狀況預測進行平均,這兩種方法的差異之一,在於運算核心所需要的執行時間,組合模型需要約1小時,而MetNet-2只要約1秒鐘。

MetNet-2能進行長達12小時的預測,而其需要克服的挑戰,在於輸入圖像需要捕捉到足夠的空間上下文資訊,研究人員提到,要多預測一小時的天氣,所包含的圖資就要每個方向多64公里,也就是說,輸入的上下文大小為20,482平方公里,這是上一代模型MetNet所使用的4倍。因此MetNet-2必須使用模型平行運算技術,將模型分散到執行個體中的不同核心上。

研究人員將MetNet-2和輸出相似的HREF模型進行比較,HREF是目前用來預測美國地區降水,最先進的組合模型,HREF每天會匯總來2次來自5個不同模型的預測結果,研究人員提到,儘管MetNet-2沒有使用任何基於物理的計算,但是在12小時的降水預測都勝過HREF。

究竟MetNet-2從訓練資料中學到了什麼?研究人員利用先進的可解釋性工具,追蹤各種輸入特徵對MetNet-2效能所造成的影響,發現MetNet-2能夠模擬準地轉理論(Quasi-Geostrophic Theory)中描述的物理現象,以逼近大規模天氣現象。MetNet-2能夠在典型的高或低壓系統,計算出大氣力的變化,而這對降水來說是重要的條件,也是準地轉理論的關鍵原則。


熱門新聞

Advertisement