對(duì)未來高精度的長時(shí)天氣預(yù)報(bào)對(duì)社會(huì)生產(chǎn)生活的方方面面都具有重要意義，但目前精確的長時(shí)預(yù)測依然是氣象基礎(chǔ)科學(xué)領(lǐng)域所面臨的基礎(chǔ)科學(xué)問題和重大挑戰(zhàn)。目前絕大多數(shù)氣象機(jī)構(gòu)采用的天氣預(yù)報(bào)系統(tǒng)主要基于大氣的物理模型來進(jìn)行計(jì)算，盡管在過去幾十年數(shù)值計(jì)算預(yù)報(bào)取得了長足的進(jìn)步，但預(yù)報(bào)的精度仍然受到計(jì)算硬件的限制，并對(duì)支配大氣現(xiàn)象物理規(guī)律的近似十分敏感。

深度學(xué)習(xí)為氣象學(xué)界提供了一種克服上述限制的可行方向：與顯式地探索和利用氣象物理規(guī)律不同，DNNs將從輸入的氣象數(shù)據(jù)中發(fā)現(xiàn)天氣的變化模式，并學(xué)習(xí)出輸入數(shù)據(jù)到氣象預(yù)測間的復(fù)雜變換，并利用像GPUs和TPUs等強(qiáng)大的算力工具并行化的處理大規(guī)模的氣象數(shù)據(jù)。

最近來自谷歌的研究人員提出了基于深度學(xué)習(xí)的降水預(yù)測模型MetNet實(shí)現(xiàn)了1km空間分辨率以及2min時(shí)間分辨率的高精度預(yù)測，在實(shí)際測試中超過了NOAA使用的大氣模型結(jié)果，并實(shí)現(xiàn)了全美范圍內(nèi)提前7－8小時(shí)的預(yù)測，為深度學(xué)習(xí)解決復(fù)雜的氣象問題提供了新的解決方案。

模型的輸入來自動(dòng)收集的地面雷達(dá)站數(shù)據(jù)和衛(wèi)星數(shù)據(jù)，經(jīng)過計(jì)算后輸出概率分布從而可以計(jì)算出每個(gè)地理區(qū)域降水的不確定性。上圖顯示了美國大陸未來2mins到480mins的降水概率。

基于神經(jīng)網(wǎng)絡(luò)的天氣模型

MetNet的不同在于它不依賴于顯式的大氣動(dòng)力學(xué)模型，而是直接基于氣象觀測數(shù)據(jù)進(jìn)行學(xué)習(xí)。其數(shù)據(jù)來源于地面雷達(dá)站和NOAA的衛(wèi)星系統(tǒng)，涵蓋了降水和云層的測量信息。研究人員將這兩類數(shù)據(jù)通過圖片的方式輸出模型以便高效計(jì)算。

模型的預(yù)測范圍是1km分辨率下的64kmx64km，由于天氣系統(tǒng)的動(dòng)力學(xué)特性模型實(shí)際需要覆蓋的物理范圍卻遠(yuǎn)大于預(yù)測的區(qū)域。模型需要考慮云層和降水區(qū)域的移動(dòng)和大氣的相關(guān)運(yùn)動(dòng)。例如云層的移動(dòng)速度是60km／h，那么八小時(shí)的預(yù)測就需要覆蓋至少480km的區(qū)域。綜合考慮后研究人員為每個(gè)64kmx64km區(qū)域提供了1024kmx1024km范圍的輸入數(shù)據(jù)。

輸入數(shù)據(jù)的尺寸為1024kmx1024km，預(yù)測輸出為64kmx64km．

由于處理1024kmx1024km分辨率需要消耗非常大的內(nèi)存，研究人員對(duì)輸入數(shù)據(jù)進(jìn)行下采樣以降低計(jì)算需求，同時(shí)保持了輸入數(shù)據(jù)中相關(guān)天氣的模式。隨后利用基于LSTM的時(shí)域編碼器在時(shí)間維度上進(jìn)行降采樣，將先前90mins的數(shù)據(jù)以15mins的間隔進(jìn)行編碼。時(shí)域編碼器的輸出隨后被送入到空間聚合器中，并給予自注意力機(jī)制高效地抽取數(shù)據(jù)中長程空間相關(guān)性�；�于豐富的上下文信息對(duì)64kmx64km的區(qū)域進(jìn)行預(yù)測。最終的輸出結(jié)果為給定降水率下每平方公里的概率分布。

下圖顯示了MetNet的網(wǎng)絡(luò)架構(gòu) ，輸入觀測數(shù)據(jù)通過空間降采樣和時(shí)間編碼進(jìn)行處理，而后利用軸注意力層為模型提供輸入數(shù)據(jù)的全局信息。

優(yōu)異的預(yù)報(bào)結(jié)果

為了驗(yàn)證這一模型的效果，研究人員在降水量預(yù)測基準(zhǔn)上進(jìn)行了測評(píng)，同時(shí)與NOAA基于氣象模型的高精度預(yù)報(bào)系統(tǒng)HRRR和基于光流的短時(shí)基線模型進(jìn)行了比較�；�于神經(jīng)網(wǎng)絡(luò)的重大優(yōu)勢在于對(duì)計(jì)算密集型任務(wù)的并行化優(yōu)化可以在GPU和TPU等專用硬件達(dá)到非常高的性能，對(duì)于全國或者特定城市都只需要幾秒鐘的推理時(shí)間，而其余方法則需要超級(jí)計(jì)算機(jī)一個(gè)小時(shí)的計(jì)算。

下圖展示了三種方法的定量結(jié)果，MetNet在八小時(shí)預(yù)測上超過了NOAA的HRRR系統(tǒng)，并比流模型具有更好的連續(xù)性。

一毫米降雨量下的F1分?jǐn)?shù)，圖中藍(lán)線顯示了MetNet的性能十分優(yōu)異

由于大氣系統(tǒng)的隨機(jī)性，預(yù)測不確定性隨時(shí)間而增長。由于MetNet是概率模型，我們可以可視化呈現(xiàn)不確定性隨時(shí)間的增長。而HRRR不能直接預(yù)測概率，下圖顯示了兩種模型預(yù)測結(jié)果的比較。

頂部的MetNet、底部的HRRR以及中間的基準(zhǔn)進(jìn)行比較。

HRRR預(yù)測的結(jié)果更為銳利結(jié)構(gòu)更為豐富，但結(jié)構(gòu)的精確性卻不及MetNet。這主要是由于模型初始條件的不確定性引起的。

左側(cè)的HRRR結(jié)果只輸出了單個(gè)可能的結(jié)果，而右側(cè)的MetNet則考慮了未來結(jié)果的不確定性，為所有可能的預(yù)測提供了綜合的研判結(jié)果。