在英国的任何时刻，根据一项研究，该国三分之一的人在过去一小时内都在谈论天气，这反映出天气在日常生活中的重要性。在天气现象中，雨尤其重要，因为它会影响我们的日常决策。我应该带伞吗？遇到大雨的车辆应该如何安排路线？我们在户外活动中采取了哪些安全措施？会不会有洪水？DeepMind最新的研究和最先进的模型推进了降水临近预报科学，即预测未来 1-2小时内的降雨（和其他降水现象）。在一篇论文中DeepMind与气象局合作编写并发表在《自然》杂志上，DeepMind直接应对了天气预报中的这一重大挑战。环境科学与人工智能之间的这种合作侧重于对决策者的价值，为临近预报降雨开辟了新途径，并指出人工智能有机会支持DeepMind在不断变化的环境中应对决策挑战。

纵观历史，天气预测对DeepMind的社区和国家都具有重要意义。中世纪的气象学家开始使用星星进行预测。慢慢地，开始保留记录季节和降雨模式的表格。几个世纪后，刘易斯·弗莱 (Lewis Fry) 设想了一个“预报工厂”，它使用计算机和大气物理方程来预测全球天气。在这本不断发展的天气预报书中，DeepMind现在添加了一个关于机器学习在预测中的作用的故事。

今天的天气预报是由强大的数值天气预报(NWP) 系统驱动的。通过求解物理方程，NWP 可提前几天提供基本的行星尺度预测。然而，他们很难在两小时内的较短交货时间内生成高分辨率预测。临近预报填补了这个关键时间间隔内的性能差距。

临近预报对于水资源管理、农业、航空、应急计划和户外活动等行业至关重要。天气传感方面的进步使得高分辨率雷达数据（测量地面降水量）可以高频使用（例如，每 5 分钟一次，分辨率为 1 公里）。现有方法难以解决的关键领域与高质量数据的可用性相结合，这为机器学习为临近预报做出贡献提供了机会。

过去 20 分钟的观测雷达用于使用深层降雨生成模型 (DGMR) 为接下来的 90分钟提供概率预测。

DeepMind专注于临近预报降雨：最多可提前 2 小时预测降雨量、时间和位置。DeepMind使用一种称为生成建模的方法，根据过去的雷达对未来的雷达进行详细而合理的预测。从概念上讲，这是生成雷达电影的问题。使用这些方法，DeepMind既可以准确捕获大规模事件，同时还可以生成许多替代降雨场景（称为集合预测），从而可以探索降雨的不确定性。DeepMind在研究结果中使用了来自英国和美国的雷达数据。

DeepMind对这些模型对中到大雨事件做出预测的能力特别感兴趣，这些事件是对人类和经济影响最大的事件，并且与竞争方法相比，DeepMind在统计上显示出这些制度的显着改进。重要的是，DeepMind与英国国家气象局气象局的 50 多位专家气象学家进行了认知任务评估，与广泛使用的临近预报方法相比，他们在 89% 的案例中将DeepMind的新方法评为首选，证明了DeepMind的方法为现实世界的决策者提供洞察力的能力。

该图像显示了 2019年4月在英国上空发生的具有挑战性的事件（目标是观测到的雷达）。 DeepMind的生成方法 (DGMR) 比对流方法 (PySTEPS) 更好地捕捉循环、强度和结构，并且不会像确定性深度学习方法 (UNet) 那样模糊。

2019 年 4 月在英国发生的具有挑战性的事件（目标是观测到的雷达）。DeepMind的生成方法 (DGMR) 比对流方法 (PySTEPS) 更好地捕捉环流、强度和结构，并且更准确地预测东北部的降雨和运动。与确定性深度学习方法 (UNet) 不同，DGMR 还可以生成清晰的预测。

该图像显示了 2019 年 4 月美国东部的强降水事件（目标是观测到的雷达）。 与平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的强度和范围，其强度通常太高，并且不像确定性深度学习方法 (UNet) 那样模糊。

2019 年 4 月美国东部发生强降水事件（目标是观测到的雷达）。与平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的强度和范围，其强度通常太高，并且不像确定性深度学习方法 (UNet) 那样模糊。

通过使用统计、经济和认知分析，DeepMind能够展示一种新的、具有竞争力的雷达降水临近预报方法。没有任何方法是没有限制的，需要做更多的工作来提高长期预测的准确性以及对罕见和强烈事件的准确性。未来的工作将要求DeepMind开发其他评估性能的方法，并进一步将这些方法专门用于特定的实际应用。

DeepMind认为这是一个令人兴奋的研究领域，DeepMind希望论文能够通过提供数据和验证方法成为新工作的基础，使提供竞争性验证和操作效用成为可能。DeepMind还希望与气象局的合作将促进机器学习和环境科学的更大整合，并更好地支持气候变化中的决策

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除