预测未来八小时降水情况的神经网络天气模型

文 / Nal Kalchbrenner 和 Casper Sønderby, Google Research

准确预测未来数分钟到数周内的天气情况是一项基础科学挑战，会对社会的众多领域产生广泛的影响。目前，许多气象机构均采用基于大气的物理模型作为预报方法。尽管此类模型在过去几十年间有了很大的改进，但这需要庞大的算力支撑，而且还对所依赖的物理定律的近似值非常敏感。另一种天气预报方法能克服其中一些限制，即使用深度神经网络 (DNN)：DNN 无需对物理定律进行编码，而是从数据中发现模式，并在强大的专用硬件（如 GPU 和 TPU）上执行并行计算，进而学习从输入到期望输出的复杂转换。

基于先前对降水即时预报的研究，我们提出了“MetNet：用于降水预报的神经网络天气模型”（MetNet: A Neural Weather Model for Precipitation Forecasting），这种 DNN 能够以 2 分钟的时间间隔和 1 公里的分辨率来预测未来 8 小时内的降水情况。

• MetNet：用于降水预报的神经网络天气模型
  https://drive.google.com/open?id=15vUBadsK004U7HQ7dLlHuq-oe5uVbUN4

NOAA 目前采用基于物理的最前沿 (SOTA) 模型，在预测全美降水量时需耗费一小时。MetNet 则要优于该模型，不仅能在几秒钟内完成预测，而且可将预测时间提前 7 到 8 小时。并且 MetNet 的输入可自动从雷达站和卫星网络获取，无需人工标注。模型输出的是一个概率分布，我们用它来推断每个地理区域最可能的降水率和相关的不确定性。下图显示 MetNet 对美国大陆的降水预测示例。

• NOAA
  https://www.noaa.gov/

MetNet 模型预测结果与 NOAA 多雷达/多传感器系统 (MRMS) 测量的地面实况对比：MetNet 模型（上）显示了预测未来 2 分钟至 480 分钟内达到每小时 1 毫米降水量的概率，而 MRMS 数据（下）显示了在同一时段内实际降水量至少达到每小时 1 毫米的区域

神经网络天气模型

MetNet 不依赖于大气动力学领域中明确的物理定律，而是通过反向传播学习&