AI攻占实时天气预测？谷歌命名MetNet，实力吊打物理预测模型！

作者 | 蒋宝尚

编辑 | 丛 末

近日，谷歌发布了他们使用深度学习预测天气的最新结果，在对之前降水量预报的研究基础上，提出了名字为MetNet的神经网络。

此网络模型专门用于降水预报，可以预测未来8小时内高精度降水概率分布地图，分辨率1千米，时间步长2分钟；预测结果超越目前最好的基于物理模型的数值算法 (High Precision Rapid Refresh-HRRR)。

论文下载地址：https://arxiv.org/pdf/2003.12140.pdf

与传统的数值方法相比，神经网络方法有着更加丰富的输入，卫星地图、地面雷法、天气观测站能够提供连续的时间空间结构数据。

MetNet 不依赖于大气动力学领域的物理定律，能够通过反向传播学习，直接从观测数据中预测天气。

MetNet 的结构

如上图所示，整个网络架构以深度神经网络（DNNs）为基础，先使用一个共享的卷积神经网络，将输入图片降采样。然后再使用卷积 LSTM 网络处理输入图像的时间序列问题。最后一个模块是轴注意力 (Axial Attention) 网络，作用是对时空编码进行解码，这个轴注意力可以理解为对自注意力机制的加速。

1

基于神经网络的天气模型

该网络的输入数据为每个时刻的卫星云图，雷达数据，经纬度，海拔，当前时间，待预测时间。每个时刻的卫星云图有16张，来自不同波段的光学成相。

输出数据为一个离散的概率分布，估计美国大陆每平方公里的给定降水率的概率，单位是毫米每小时。即输出数据为三维向量，包含一维时间和二维空间上的降水量。

在具体的模型运行过程中，地图精度为1千米，每64km*64km运行一次。在考虑云层和降水区域的移动和大气的相关运动情况下，与输出区域相比，输入数据的实际物理覆盖范围要大得多。

由于处理1024kmx1024km分辨率需要消耗非常大的内存，研究人员对输入数据进行下采样以降低计算需求，同时保持了输入数据中相关天气的模式。随后利用基于LSTM的时域编码器在时间维度上进行降采样，将先前90mins的数据以15mins的间隔进行编码。时域编码器的输出随后被送入到空间聚合器中，并给予自注意力机制高效地抽取数据中长程空间相关性。

整个天气预测模型可以简化为上面这个公式，给定输入，用训练后的θ，可以得到一个条件概率。θ的训练由反向传播求得，即最小化实际值与预测值之间的差额。

值得注意的是，给定的数据集并不是连续的，处理方法是把离散值的分组成不同的区间。

输入数据和MetNet结构示意图

更为具体一些，如上图所示，除了输入，模型主体有3个部分，包括空间下采样器、时间编码器、空间聚合器。

• 空间下采样器：MetNet使用卷积和池层在空间层面上处理输入的数据，根据时间维度对切片进行处理，每个输入切片被封装的空间维度为256*256，然后对每个切片进行适合神经网络层的处理。
• 时间编码器：这部分是把上面的空间切片按照时间顺序提供给循环神经网络，循环神经网络能够测量输入数据的时间动态，并且能够根据这个动态找出相关的模式信息（上下文）。
• 空间聚合器：这部分包含8个轴注意力网络，其中4个是沿宽度操作的，4个是沿高度操作的。这8个网络的作用是使MetNet的接收域涵盖全局信息。

2

实验：准确率远超物理模型

研究人员根据一个降水率预测基准对 MetNet 进行评估，并将结果与两个基线进行比较：NOAA 高分辨率快速刷新 HRRR 系统，这是目前在美国运行的物理天气预测模型；一个估计降水场运动（即光流）的基线模型，它是一种在预测时间少于 2 小时时，表现也很好的方法。

谷歌的神经天气模型的一个显著优点是，它是为密集并行计算而优化的，并且非常适合在专用硬件（如 TPU）上运行。无论是针对纽约市这样的特定地点还是针对整个美国，预测可以在几秒钟内并行进行。而像 HRRR 这样的物理模型在超级计算机上的运行时间约为一小时。

在下面的图表中，研究人员量化了 MetNet、HRRR 和光流基线模型之间的性能差异。这里展示了这三个模型所取得的性能，在降水率阈值为 1.0mm/h（相当于小雨）时使用 F1 分数进行评估。MetNet 神经天气模型能够在 8 小时内超过 NOAA-HRRR 系统，并且始终优于基于流量的模型。

1.0 mm/h 降水率（越高越好）下的 F1 得分评估性能。神经天气模型（MetNet）比目前在美国运行的基于物理的模型（HRRR）的时间尺度要提前 8 小时。

由于大气的随机性，未来天气状况的不确定性随着预测时间的延长而增加。MetNet 是一个概率模型，随着预测时间的延长，预测的不确定性在可视化中表现为预测的日益平滑。相反，HRRR 并不直接进行概率预测，而是会对未来的降水情况进行单一的预测。下图比较了 MetNet 模型和 HRRR 模型的输出。

从 NOAA MRMS 系统获得的 MetNet（上）和 HRRR（下）到地面真值（中）的输出之间的比较。注意，虽然 HRRR 模型预测的结构似乎更接近于基本事实，但预测的结构可能严重错误。

与MetNet模型相比，HRRR 物理模型的预测更清晰、更结构化。但其结构，特别是预测结构的准确时间和位置的精度较低。这是由于初始情况和模型参数的不确定性造成的。

HRRR（左）从许多可能的结果中预测单个潜在的未来结果（红色），而 MetNet（右）能够解释不确定性。

另外，研究人员对 HRRR 和 MetNet模型之间进行了比较，结果如下面这个视频所示☟

http://mpvideo.qpic.cn/0bf26eaaoaaad4abxt4dqvpfb4oda7yqabya.f10004.mp4?dis_k=0800c052b6fb854c26efbd0206a729cf&dis_t=1586847127