最近，北方下的雨有点多。 对于没怎么见过雨的北方人来说，确实经常会被「浇」个措手不及。
既然完全没有「先验经验」可以借鉴，这时候就只能全靠天气预报了！
在围棋和《星际争霸》等游戏领域赢麻了之后，DeepMind即将挑战一个全新的项目——预测天气。
在过去的几年里，DeepMind一直在悄悄地与英国气象局合作，而最近一篇发表于《自然》杂志上的论文则展示了这一成果。 简而言之，DeepMind设计了一个全新的机器学习模型，可以预测未来几小时内是否会下雨。
结果表明，DeepMind的深度生成模型可以提供更好的预测质量、预测一致性和预测价值。模型在1,536公里×1,280公里的区域内产生了逼真且时空一致的预测，提前期为5-90分钟。
通过50多位气象专家的系统评估，与其他两种竞争方法相比，DeepMind的生成模型以89%的绝对优势在准确性和实用性两方面排名第一。
短期天气预测
今天的天气预测是由强大的数值天气预报（NWP）系统驱动的。通过解决物理方程，数值天气预报系统可以提前数天得到地球尺度的预测。
然而，它们很难在两小时内产生高分辨率的预测。 即时预报填补了这一关键时间区间的性能空白。
气象传感的进步使高分辨率雷达可以高频地（在1公里分辨率下每5分钟）提供测量出的地面降水量数据。
已有的短期预测方法，如STEPS和PySTEPS，沿用NWP的方法来考虑不确定性，但按照带有雷达信息的平流方程对降水进行建模。
在这些模型中，运动场由光流来估计，平滑度惩罚被用来近似于平流预报，随机扰动被添加到运动场和强度模型中。这些随机模拟可以得出概率性和确定性的预报，并且在多种空间尺度（从千米尺度到集水区的大小）上都适用。 基于深度学习的方法则不需要对平流方程的依赖。通过大量的雷达观测数据训练这些模型，可以更好地模拟非线性降水现象，如对流启动和强降水。
这类方法直接预测每个网格位置的降水率，模型已被开发用于确定性和概率性预报。 目前的深度学习系统所发布的预报，在降水场越来越模糊的情况下表现出了不确定性天气预报 预测，而且不包括小尺度天气模式。
此外，现有方法侧重于特定地点的预测，而不是对整个降水场的概率预测，这使其无法在多个空间和时间集合中同时提供一致的预测结果，限制了实用性。
为此，DeepMind使用深度生成模型（DGMR）为概率预报开发了一种观测驱动的方法。DGMR是学习数据概率分布的统计模型，可以从学习到的分布中轻松生成样本。
由于生成模型从根本上是概率性的，可以从给定的历史雷达的条件分布中模拟许多样本，生成预测集合。此外，DGMR既能从观测数据中学习，又能表示多个空间和时间尺度上的不确定性。
即时预报的生成模型
DeepMind使用生成模型的方法，根据过去的雷达，对未来的雷达进行详细和可信的预测。
有了这样的方法，既可以准确地捕捉大规模的事件，同时也可以生成许多备选的降雨情景（称为集合预测），使降雨的不确定性得到探索。
DeepMind的模型也十分擅长中到大雨事件的预测，与其他竞争方法相比有着明显的改进。DeepMind表示，在经过英国国家气象局（Met Office）的50多名专家气象学家进行了认知任务评估之后，与广泛使用的预测方法相比，在89%的情况下专家们会把DeepMind的方法评为首选。
生成法（DGMR）比平流法（PySTEPS）更好地捕捉了环流、强度和结构，更准确地预测了东北地区的降雨和运动。与确定性的深度学习方法（UNet）不同，DGMR还产生了尖锐的预测。
生成法（DGMR）与平流法（PySTEPS）相比，平衡了降水的强度和范围，平流法的强度往往太高，而且不像确定性的深度学习方法（UNet）那样模糊不清。 在给定的时间点T，使用基于雷达的地表降水估计值XT，在给定的M个过去的雷达场，预测N个未来的雷达场，潜在的随机向量Z和参数θ，方程为：
对潜在变量的整合确保了模型做出的预测在空间上具有依赖性。学习是在用于降水预测的条件生成对抗网络（GAN）的算法框架内进行的。
四个连续的雷达观测数据（之前的20分钟）被用作发生器的背景，对未来降水的多个实现进行采样，每个实现为18帧（90分钟）。
a. 模型结构示意图；b. 预测的地理背景；c. 不同模型在T+30、T+60和T+90分钟提前量的单一预测。 学习由两个损失函数和一个正则化项驱动，通过比较真实的雷达观测数据和模型生成的数据来指导参数调整。
第一个损失是由空间判别器定义的，它是一个卷积神经网络，用于区分单个观察到的雷达场和生成的雷达场，确保空间一致性并阻止模糊的预测。
第二个损失是由时间判别器定义的，它是一个三维（3D）卷积神经网络，用于区分观察到的和生成的雷达序列，施加时间上的一致性并惩罚跳跃的预测。为了提高准确性，DeepMind引入了一个正则化项，从而惩罚真实雷达序列和模型预测平均值（用多个样本计算）之间的网格单元分辨率的偏差。
最后，DeepMind为生成器引入了一个完全卷积的潜在模块，允许对大于训练时使用的大小的降水场进行预测，同时保持时空一致性。
DeepMind在2016至2018年间英国雷达记录的降水事件的大型数据集上训练其DGM。训练完成后，它可以在一秒钟内提供预报，并在单个NVIDIA V100 GPU上运行。
与其他流行的预报方法（包括机器学习模型）相比，DeepMind的DGM在长达1,536公里乘1,280公里的区域产生了更真实和一致的预测，提前期为5至90分钟。
结果评估
在使用CSI进行比较时，所有三个深度学习系统产生的预测都比PySTEPS的基线明显更准确。
使用交替的星期作为独立单位的配对置换测试来评估统计学意义，发现DGMR与PySTEPS相比，在所有的降水阈值上都具有更好的效果（n=26，P
a. 20个样本的CSI，降水阈值为1毫米/小时（左）、4毫米/小时（中）和8毫米/小时（右）；b. 所有模式在T + 30分钟（左）和T + 90分钟（中和右）的2019年预测的径向平均功率谱密度。
从上图中的b可以看到，DGMR和PySTEPS的光谱特征都与观测结果相吻合，但轴向注意力和UNet模式产生的预报具有中、小尺度的降水变化，并随着提前期的增加而减少。
由于它们产生了模糊的预测，轴向注意力和UNet nowcasts的有效分辨率远远低于数据的1公里×1公里分辨率。
在T+90分钟时，UNet的有效分辨率为32公里，轴向注意力的有效分辨率为16公里，降低了这些预报对气象学家的价值。 对于概率验证来说，下图中b显示了平均和最大降水率聚集在越来越大的区域31的CRPS。当在网格分辨率水平上测量时，DGMR、PySTEPS和轴向注意力的表现相似。
随着空间聚集的增加，DGMR和PySTEPS提供了持续的强大性能，其中DGMR在最大降水上表现更好。
轴向注意力模型对于较大的聚集区来说明显较差，在规模为4及以上的情况下，其性能低于所有其他方法。使用交替的星期作为独立单位，成对的置换检验表明，DGMR和轴向注意力温度选择之间的性能差异是显著的。
a. 使用平均雨量的集合CRPS；b. 使用最大雨量的集合CRPS。 与其他方法相比，生成式方法优于（在CSI上）现有的STEPS预测方法，提供的概率预测更加准确，并且在空间和时间尺度上保留了降水的统计特性，而其他深度学习方法是以它们为代价的。
此外，DeepMind还在经济和认知方面进行了分析，结果表明DGMR可以让决策价值得到提高。
虚线表示Clopper-Pearson的95%置信区间。气象学家明显倾向于DGMR而不是其他方法。
学界似乎并不买账
然而，除了这50位专家以外，其他科学家并没有被这些结果说服。 雷丁大学的气象学家Peter Clark说：「我在这里没有看到预测方面的任何革命。依靠主观评价来证明模型的有效性只能使让人感到困惑。」
此外，他还表示：「我仍然惊讶于他们没有选择使用一个客观的分数。关于如何进行评估，甚至是实际评估的内容，几乎没有详细说明。」 在论文中，DeepMind也并没有给出新模型与现有模型的准确性相比具体提升的数据。
对此，DeepMind的高级科学家和论文作者Shakir Mohamed表示，「我们想采取这种更加谨慎的方法，而不是报告一个数字。」 同样是来自雷丁大学的气象学家Rob Thompson则说：「与其说DeepMind的研究完全颠覆了我们所知道的雨水预报，不如说它只是提供了一种不同的方法。
它的表现与当前其他尖端类型的模型类似，可能稍微好一点，但并没有领先很多天气预报 预测，」 DeepMind的成员说，目前还没有任何立即投入使用的计划，但团队希望最终能够利用模型为今后的天气报告提供真实的信息。
讲在最后
话说回来，天气预报员会不会下岗？
这倒不用担心，DeepMind的研究科学家同时也是论文的作者Suman Ravuri表示，人工智能不会在这个领域取代人类：「天气预测需要专家和人类参与其中，以确保在预测方面的理解是合理的，然后将其传达给公众。」
发表评论