如何預知極端天氣？谷歌：用AI通過深度神經網絡建模型

澎湃新聞記者承天蒙

3月23日是一年一度的“世界氣象日”，今年氣象日的主題是“海洋，我們的氣候和天氣（The ocean， our climate and weather）”。

AI（人工智能）技術的發展能夠更好地預知極端天氣的發生並作出及時響應。谷歌（Google）官方博客上，就介紹了公司最近正在進行的兩個氣象類項目，包括“通過神經天氣模型預測降水量”、“利用AI完善洪水預警系統”。

通過神經天氣模型預測降水量

目前主流的天氣預報系統依賴於根據大氣科學的物理原理運行的模型，在過去幾十年內，這一方法得到了巨大的改進，不過它仍然有着明顯的侷限性。

現在通過深度神經網絡技術，可以在不利用物理規律的情況下，直接從氣象數據中尋找模式，預測降水概率，提高了預測的效率和準確度。

在2020年發表的一篇論文中，谷歌AI的研究人員提出了一項基於深度神經網絡（DNN）的新算法，名爲MetNet。谷歌介紹，這一模型能夠以1公里的分辨率，推斷出某一區域在未來8小時範圍內每相隔2分鐘的降水概率，與美國國家海洋和大氣管理局（NOAA）目前最先進的基於物理學的模型相比，在及時性上可以提前7到8小時，預測整個美國的情況只需要幾秒鐘。

MetNet預測的降水情況與實地測量結果的比較

爲了讓MetNet得出的結果更加準確，谷歌使用了詳盡而全面的數據，包括美國由多雷達/多傳感器系統（MRMS）構成的地面雷達站得出的降水估計值，以及海洋和大氣管理局的靜止環境業務衛星系統基於雲圖提供的測量值。此外，在以1公里的分辨率對整個美國範圍內每個64x64公里的方塊區域進行天氣預測時，MetNet還會考慮雲層和降水場在所預測時間段內所有可能的運動路線。

爲了處理如此龐大的計算量，谷歌在模型中構建了一個空間下采樣器（downsampler），通過降低輸入數據的空間維度，減少模型處理數據時需要消耗的內存，讓它變得更加高效。同時，在針對密集和平行計算進行優化後，模型非常適合在GPU和TPU等算力強大的專用硬件上運行，極大地縮短了進行預測所需要的時間。

利用AI完善洪水預警系統

氣候變化導致的另一嚴重後果是洪澇災害的多發。2019年的數據顯示，洪水每年在全球範圍內造成6000到18000人死亡，造成210億到330億美元的經濟損失。

2018年起，谷歌啓動了谷歌洪水預警項目（Google Flood Forecasting Initiative），利用AI和強大算力打造更好的洪水預測模型，並與多國政府部門展開合作。

2020年9月，谷歌宣佈，這一項目在預警提前時間、準確性和清晰度上都取得了重要的突破，覆蓋範圍也已經擴展到了印度和孟加拉國境內的2.5億人口。這些進步的實現主要得益於洪水預警模型的不斷更新和完善，現在，印度政府發出的每一條洪水警報，背後都有着谷歌提供的技術支持。

在洪水預警的第一步，水文模型可以根據降水量或者上游水位的測量值，預測出未來某個時間點河流的水位情況。谷歌更新了其洪水系統的水文模型，將發出洪水警報的時間提早了1倍，既能爲政府提供更多的信息，也讓人們有了額外的準備時間。此外，該模型在準確性上也有了極大的提升：在90%以上的時間裏，水位預測的誤差邊界在15釐米以內。

接着，洪水預測模型需要根據河流水位的預測值，進一步預測洪泛區可能受到的影響。爲了在擴大覆蓋範圍的同時，保證預測的精度，谷歌更新了模型採用的淹沒建模方法。這種新方法名爲形態淹沒模型（morphological inundation model）。

形態淹沒模型將基於物理學的建模與機器學習技術相結合，以在真實世界環境（real-world settings）中創建更準確、擴展性更強的淹沒模型。這種新方法不再在根據衛星圖像開發的高質量高程圖（elevation maps）上實時模擬水流，而是計算修改高程圖的形態，使用簡單的物理原理進行淹沒模擬。

首先，谷歌訓練了一個機器學習模型，可以根據河流上某一點河道水位計的水位值輸出河流中所有點的水位，形成河流剖面圖。這一模型對現實情況進行了合理的簡化，它假設如果河流某一點的水位值上升，整條河的水位都會上升，同時河道斷面的絕對高程是向下遊遞減的，即河水向下遊流動。

然後，谷歌根據這一模型，結合啓發法（heuristics）編輯高程圖，以“抵消”某一區域被洪水淹沒時的壓力梯度（pressure gradient）。新合成的高程圖可以使用簡單的洪水填充算法（flood-fill algorithm）爲洪水流動情況建模。谷歌介紹，與傳統的物理模型相比，這一方法將預報準確性提高了3%，同時有着更強的靈活性，更快的開發速度，可顯著改善對大面積區域的預測結果。

在那些形態淹沒模型尚未覆蓋的區域，谷歌則是應用了一種基於機器學習的端到端方法，幾乎只使用全球公開可用的數據，如流量計測量值、公共衛星圖像和分辨率較低的高程圖訓練模型，直接、實時地推斷出淹沒圖。雖然不如形態淹沒模型精細，但與之前在這些地區應用的預警方法相比，這一方法同樣有着更高的準確性。