白癜风平安医院 https://m-mip.39.net/czk/mipso_13358721.html
准确预测未来几分钟到几周的天气是一项基本的科学挑战，它可以对社会的许多方面产生广泛影响。很多气象机构目前采用的预报是基于大气的物理模型。尽管在过去几十年有很大的改进，但这些模型本身受到计算要求的限制。并且，它们对物理定律的近似值非常敏感。另一种能够克服这些限制的天气预报方法是使用深神经网络（DNNs）。DNNs在强大的专用硬件（如GPU和TPU）上使用并行计算，发现数据中的模式，并学习从输入到所需输出的复杂转换。近日，在先前对降水量预报的研究基础上，Google提出了MetNet，这是一种用于降水预报的神经天气模型。这种DNN能够在未来8小时内以1km的分辨率预报降水量，时间间隔为2分钟。MetNet的预测时间比NOAA目前使用的最先进的基于物理的模型提前了7-8小时。它可以在几秒钟内对整个美国的降水量进行预测，而NOAA需要花费一小时。网络的输入来自雷达站和卫星网络，无需人工标注。模型输出是一个概率分布，Google用它来推断每个地理区域的降水率和相关的不确定性。下图提供了该网络对美国大陆的预测示例。MetNet模型预测结果与NOAA多雷达/多传感器系统（MRMS）测量的地面真实值进行了比较。MetNet模型（上图顶部）显示了从2分钟到分钟前预测的每小时1毫米降水的概率，而MRMS数据（上图底部）显示了在同一时间段内接收到至少每小时1毫米降水的区域。神经天气模型MetNet不依赖于大气动力学领域的物理定律，它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，以及提供大气中云层自顶向下的视图的卫星系统测量得出的降水量估计值。这两个数据源均覆盖美国大陆，并提供可由网络有效处理的图像类输入。该模型每64km*64km执行一次，覆盖整个美国，其分辨率为1km。然而，与这些输出区域相比，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进行预测的时间段内云和降水场的可能运动。例如，假设云以每小时60km的速度移动，为了作出可靠的预测，捕捉到8小时前的大气时间动态，模型需要60*8=km的全方位空间背景。因此，要达到这个程度，需要km*km区域中的信息来对中心64km*64km补丁进行预测。包含卫星和雷达图像（*平方公里）的输入补丁和输出预测雷达图像（64*64平方公里）由于以全分辨率处理km*km的区域需要大量内存，因此研究人员使用空间下采样器，通过减少输入面片的空间维度来减少内存消耗。同时，在输入中查找并保留相关的天气模式。然后沿降采样输入数据的时间维度应用时间编码器，对90分钟输入数据的7个快照进行编码，编码片段长度为15分钟。时间编码器采用卷积LSTM实现，该卷积LSTM特别适合于图像序列。然后，时间编码器的输出被传递到空间聚集器，空间聚集器使用轴向自

转载请注明:http://www.aideyishus.com/lkgx/7929.html