“一点微小的贡献”，我们将短临预报准确率提升了5％

短临降水预报，是在2小时内对任一经纬度点上进行逐分钟的精确降水预报。不仅要预报出每分钟上这个位置会不会有雨，而且要较准确的预报出雨强（也就是未来每分钟的雨有多大）。那这难度有多大呢？

不难。

但是也难。

从无到有，一点不难。我国200多部降水雷达每6分钟进行实时反射率因子资料上传，通过质控、坐标转换，最后建立融合系统，完成全国范围的组网拼图。

一顿操作猛如虎，天下谁人无拼图↓ （局部的局部代码）

嗯，我就是雷达拼图

现在得到这张宝图，划重点了，每六分钟你就会有一张这种图。那么首先，图中的像素是存在着与降水的函数关系的；其次，有了连续几张图之后你是可以推断这些回波图像会怎么移动的。这样子就好办了：先预测出来未来2小时内任意时刻拼图的形状，然后使用函数算出任意一点的降水，不就得到其所有的短临降水序列？再一通代码显示在前端，万事大吉了。

DWS平台中的短临预报，6不6

看完这里，是不是觉得短临降水很好做？

如果你真这么觉得，请自行搜索Dunning-Kruger Effect。

↑“The Foole doth thinke he is wise, but the wiseman knowes himselfe to bea Foole”

看上去简单的东西实践起来往往全是大坑。就短临而言，两个关键步骤是去噪和外推。去噪保证在组网拼图时获得的图像是尽量无偏差的，而外推技术直接决定了你对未来的图像形状预测是不是靠谱。

对于前者，图像处理领域里已经有许多深度学习算法可实现像素级分类，处理起来并不复杂。而后者，直接将市面上所有的短临降水预报服务在准确率上分出了高下。

想象一下：当回波运动为非刚性变形运动时，（翻译成人话：一朵云不仅仅会原样不动的遛哒，更要命的是它要旋转、要变形、要飘散、要消失、还要合体），算法们还能不能合理的外推？

粗略来看。传统光流法对预报时刻的瞬时流场估计准确度较低，更是无法估计突然出现或者消散的回波；卷积LSTM（ConvLSTM）网络虽然优于光流法，但是其卷积递归结构为时空恒定，但是运动过程产生的时空关系是非恒定的。

没有无破绽的武功。看起来要继续前行的话无路可走了。

但总不能不创新了。毕竟世界上只有一种英雄主义,就是看清生活的真相之后依然热爱她（我们其实是为了年终奖）。

KuWeather决定融各门派之所长。

恰好KuWeather的人工智能团队有三类人：搞气象的、搞数学的和搞深度学习的。他们在一艘小船上，碰撞出了新的短临降水预报方法的可能。于是从传统光流出发，充分利用数值预报，嵌套一层深度网络后使用完整雷达回波运动方程，历经多次试验调优，终于推出了具有自主知识专利的短临预报算法。

这种创新回馈给了我们足够的惊喜。从2017年多雨月份的实践结果来看，实现了比同行5%左右的准确率提高。我们切实做出了“一点微小的贡献”。

关于KuWeather

心中有数（KuWeather）专注解决大出行服务领域天气风险。以精细可靠的商业气象服务为起点，融合大数据、智能硬件、深度学习、金融等内核工具，为交通、供应链、物流、零售、旅游等一系列行业提供整体解决方案。