内容字号:默认大号超大号

段落设置:取消段首缩进段首缩进

字体设置:切换到微软雅黑切换到宋体

业界
软件
手机
数码
电脑
学院
测评
图赏
视频
游戏
原创
直播
 AI
5G
苹果
微软
iPhone
Win10
精准搜索请尝试:精确搜索

深度神经网络预测8小时内降水:分辨率小到1公里、间隔2分钟

2020/4/4 13:01:28来源:大数据文摘微信公众号作者:马莉责编:懒猫评论:

春天的天气简直翻脸比翻书还快,前一秒还是艳阳高照,后一秒就马上狂风大作。

其实,要提前几周或几分钟高精度地预测天气,是对社会各方面来说,一直以来都是一项有着广泛影响的科学挑战。

目前,许多气象局使用的预测模型是基于大气物理的模型,尽管在过去的几十年里,这个模型已历经巨大改进,但仍囿于它们计算要求的内在限制,且对支配它们的物理定律的估计非常敏感。

另一种天气预测方法就是使用深度神经网络,深度神经网络不仅能够克服这些局限,而且由于它不是对显性物理定律进行编码,而是发现其中的数据模式,同时借助GPU和TPU这类专用硬件强大的并行计算能力,学习从输入到合理输出的复杂转化。

在之前降水预测研究的基础上,在此我们提出“MetNet”:一种降水预测的神经网络天气模型,这种深度神经网络模型能以1公里的分辨率、按每2分钟间隔预测未来8小时内的降水情况。

前项研究指路:https://ai.googleblog.com/2020/01/using-machine-learning-to-nowcast.html

MetNet的预测时间比美国国家海洋和大气管理局(NOAA)目前使用的最先进的基于物理模型提前了7-8小时,并能在几秒钟内(而不是一小时)对全美进行预测。神经网络模型的输入来自雷达站和卫星网络,无需人工标注;模型输出则是概率分布,我们可以用来推断每个地理区域相关概率下最可能的降水率。

下图是神经网络模型对美国大陆预测的一个示例:

MetNe模型预测与NOAA多雷达/多传感器系统(MRMS)测量的地面实际情况对比。上图的MetNet模型展示了提前3小时-2分钟所做的1mm/小时降水量预测的概率分布,下图的MRMS数据显示了相同时间段降水量至少是1mm/小时的地区。

神经网络天气模型

MetNet不依赖于描述空气动力学的明确物理定律,而是通过反向传播学习直接从观测数据中预测天气。

该网络使用由多雷达/多传感器系统(MRMS)组成的地面雷达站得出的降水量估计值,以及NOAA的地球静态运行环境卫星系统(提供大气云层的自顶向下视图)的各项指标。这两种数据源覆盖了美国大陆,提供了该网络可以有效处理的类图形输入。

该模型以1km分辨率,按每64km*64km面积,对全美进行预测。然而,与这些输出区域所对应的输入数据的实际物理覆盖范围要大得多,因为它必须考虑到在预测时间段内云和降水场的可能运动。

例如,假设云的移动速度高达60km/小时,为了能够捕捉到8小时前大气的时间动态并作出有根据的预测,该模型需要60×8=480公里的全方位空间情况。因此,对64km*64km中心区域进行预测,则要求获取1024km*1024km区域范围的环境信息。

由于按全分辨率处理1024km*1024km范围的数据要求大量的存储,我们使用空间下采样器,通过减少输入区域的空间维度来减少内存消耗,同时在输入中发现并保留相关的天气模式。

然后,沿下采样输入数据的时间维度应用时间编码器(用卷积LSTM实现,该卷积LSTM特别适合于图像序列),对前90分钟输入数据按每15分钟间隔形成的7个快照进行编码。时间编码器的数据传送到空间聚集器,空间聚集剧利用轴向自关注(axial self-attention)来有效捕获数据中的长距离空间相关性,以及基于输入目标时间的可变数量的环境背景信息,对64kmX64km区域进行预测输出。

该架构的输出是美国大陆每平方公里范围内,给定降水率下预测概率的离散概率分布。

结果

我们根据一个降水率预测标杆评估MetNet,并把这些结果与两条基线进行比较。这两条基线包括NOAA的高分辨率快速更新(HRRR)系统和预测降水场运动的基线模型,前者是美国目前正在使用的物理天气预测模型,后者则以能较好地对未来2小时进行预测而著称。

我们神经网络天气预测模型的一个显著优势就是它针对密集并行计算进行了优化,而且非常适合在专用硬件(如TPU)上运行。这就使得我们不论是对纽约城特定区域还是对全美国的预测,都可以几秒内并行运行。但像HRRR这类物理模型则需要在超级计算机上运行大约1个小时。

在下图我们将MetNet、HRRR和光流基准模型的结果差异进行了量化。我们按1mm/小时降雨率(即小雨)的F1评分来衡量三个模型的结果。MetNet神经网络天气模型在少于8小时时间段内的预测结果超过了NOAA HRRR系统,而且表现一直优于光流模型。

由于大气的随机特性,未来天气状况的不确定性随着预测时间的延长而增加。

因为MetNet是一个概率模型,在可视化图像中,我们能看到预测的不确定性随着预测时间延长,预测的平滑度也越来越高。相反,HRRR不是直接进行概率预测,而是预测一个单一结果。

下图比较了MetNet模型和HRRR模型的输出结果:

与MetNet模型相比,HRRR物理模型的预测看上去更清晰、更结构化;但是由于模型初始状态和参数的不确定性,结构准确度较低,尤其是预测结构的准确时间和地点。

HRRR与MetNet模型更全面的比较可以参考以下视频:

https://youtu.be/-dAvqroX7ZI

未来方向

我们正在积极研究如何改进全球天气预报,尤其是快速气候变化影响最大的地区。

尽管我们展示的是目前针对美国大陆的MetNet模型,但该模型可以扩展至覆盖有足够雷达和和光卫星数据的任何地区。本文所述的工作只是这方面努力的一块小小的垫脚石,我们希望通过未来与气象学界的合作,能够带来更大的改进。

相关文章

关键词:深度神经网络

IT之家,软媒旗下科技门户网站 - 爱科技,爱这里。

Copyright (C)RuanMei.com, All Rights Reserved.

软媒公司版权所有