中国新闻社
首页 新闻大观 中新财经 中新体育 中新影视 中新图片 台湾频道 华人世界 中新专稿 图文专稿 中新出版 中新专著 供稿服务



首页>>新闻大观>>国内新闻>>新闻报道

Google发布神经天气模型 几秒钟预测整个美国降水量

2020-03-31 17:14:58

万博体育官网四大联赛唯一在线开户网址【gbh88.wang】【贵宾会.wang】客服热线【+639308758888】★贵宾会(亚洲版)★为您打造最快速、最便捷的彩种投注服务,在这里您的资金绝对安全,信誉实力平台,客服小姐姐24小时随时在线为您服务。Google发布神经天气模型 几秒钟预测整个美国降水量

  

  原标题VF:Google发布神经天气模型 几秒钟预测整个美国的降水量 来源X484f:雷锋网

  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WPi,它可以对社会的许多方面产生广泛影响dj。很多气象机构目前采用的预报是基于大气的物理模型FWts。尽管在过去几十年有很大的改进mAqr,但这些模型本身受到计算要求的限制dY。并且xgzHH,它们对物理定律的近似值非常敏感bu。

  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pA(DNNsopS)EOr。DNNs 在强大的专用硬件g7(如 GPU 和 TPUs)上使用并行计算iD,发现数据中的模式GRA,并学习从输入到所需输出的复杂转换Vm8y。

  近日SMRh,在先前对降水量预报的研究基础上5q,Google 提出了 MetNetNbl,这是一种用于降水预报的神经天气模型yYn。这种 DNN 能够在未来 8 小时内以 1km 的分辨率预报降水量YRm9,时间间隔为 2 分钟gWdCD。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JT。它可以在几秒钟内对整个美国的降水量进行预测Ys9cX,而 NOAA 需要花费一小时T。

  网络的输入来自雷达站和卫星网络KnL,无需人工标注Dav。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Fm8M。下图提供了该网络对美国大陆的预测示例JWB。

  MetNet 模型预测结果与 NOAA 多雷达/多传感器系统t9(MRMS)测量的地面真实值进行了比较cxZnY。MetNet 模型K(上图顶部SAvYD)显示了从 2 分钟到 480 分钟前预测的每小时 1 毫米降水的概率CT,而 MRMS 数据WjdS(上图底部YSa)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t。

  神经天气模型

  MetNet 不依赖于大气动力学领域的物理定律6nL,它是通过反向传播学习3r,直接从观测数据中预测天气QtfZk。该网络使用由多雷达/多传感器系统8b(MRMST8lW)组成的地面雷达站Jq7az,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Z。这两个数据源均覆盖美国大陆lqkX5,并提供可由网络有效处理的图像类输入Nur8。

  该模型每 64Km*64km 执行一次,覆盖整个美国X8Rv,其分辨率为 1 kmGe3eN。然而RG,与这些输出区域相比yFQQZ,输入数据的实际物理覆盖范围要大得多GeVm,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9KVS。

  例如pDW,假设云以每小时 60km 的速度移动4MqUdh,为了作出可靠的预测M33nIu,捕捉到 8 小时前的大气时间动态7P,模型需要 60*8=480km 的全方位空间背景lO6。因此JjN,要达到这个程度f,需要 1024km*1024km 区域中的信息来对中心 64km*64km 补丁进行预测BS。

  包含卫星和雷达图像eGo2(1024 *1024 平方公里pmMZT)的输入补丁和输出预测雷达图像xG(64*64 平方公里c9Jf4)

  由于以全分辨率处理? 1024km*1024km 的区域需要大量内存,因此研究人员使用空间下采样器E0lq,通过减少输入面片的空间维度来减少内存消耗Ce6。同时wm1,在输入中查找并保留相关的天气模式AhME。然后沿降采样输入数据的时间维度应用时间编码器wns,对 90 分钟输入数据的 7 个快照进行编码du,编码片段长度为 15 分钟x0OGY。时间编码器采用卷积 LSTM 实现W,该卷积 LSTM 特别适合于图像序列wRXu。

  然后fQG,时间编码器的输出被传递到空间聚集器lzu,空间聚集器使用轴向自关注E4O4x,有效地捕获数据中的长距离空间依赖性sRFRf,并基于输入目标时间使用可变数量的上下文,以在 64km*64km 的输出上进行预测c8I3。

  这种结构的输出是一个离散的概率分布wYQE,估计美国大陆每平方公里的给定降水率的概率oo6O7。

  神经气象模型 MetNet 的结构

  结果

  研究人员根据一个降水率预测基准对 MetNet 进行评估dcAlD,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KY9vI,这是目前在美国运行的物理天气预测模型Dly;一个估计降水场运动8yxk(即光流Alddy)的基线模型A0M,它是一种在预测时间少于 2 小时时2Ezu0v,表现也很好的方法hhQz。

  Google 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ahz,并且非常适合在专用硬件i(如 TPU7z)上运行xGK。无论是针对纽约市这样的特定地点还是针对整个美国Q,预测可以在几秒钟内并行进行PTy。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Oite。

  在下面的图表中9,研究人员量化了 MetNeteQ95sZ、HRRR 和光流基线模型之间的性能差异53IiC。这里展示了这三个模型所取得的性能9hg,在降水率阈值为 1.0mm/hMAW(相当于小雨manh)时使用 F1 分数进行评估xdY6。MetNet 神经天气模型能够在 8 小时内超过 NOAA-HRRR 系统GD,并且始终优于基于流量的模型Rh。

  1.0 mm/h 降水率GB6(越高越好Vs)下的 F1 得分评估性能o3gy。神经天气模型V(MetNetY)比目前在美国运行的基于物理的模型(HRRRL)的时间尺度要提前 8 小时Gl8。

  由于大气的随机性JH,未来天气状况的不确定性随着预测时间的延长而增加66Y。

  MetNet 是一个概率模型lkR,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Zu。相反B2J,HRRR 并不直接进行概率预测nU,而是会对未来的降水情况进行单一的预测Gh。下图比较了 MetNet 模型和 HRRR 模型的输出W1w。

  从 NOAA MRMS 系统获得的 MetNetb1B(上C09lu)和 HRRR5yfd(下0BwD)到地面真值r(中uBU)的输出之间的比较M。注意3,虽然 HRRR 模型预测的结构似乎更接近于基本事实M7,但预测的结构可能严重错误3m。

  与 MetNet 模型相比A,HRRR 物理模型的预测更清晰79Ms、更结构化kT。但其结构ua,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ed。

  HRRRAh6(左GGXK)从许多可能的结果中预测单个潜在的未来结果6eXZAj(红色asD),而 MetNetQ(右7Uyb)通过分配未来结果的概率直接解释不确定性e。

  研究人员对 HRRR 和 MetNet模型之间进行了比较Z,感兴趣的可以打开视频观看Hrzu:httpsYiWO7://youtu.be/-dAvqroX7ZI

  未来方向

  Google 正在积极研究如何改进全球天气预报模型jEb,尤其是在气候快速变化很大的地区的准确性Yu。虽然上文展示了美国大陆目前的 MetNet 模型Al,但它可以扩展到任何有足够雷达和光学卫星数据的地区gtRub。本文提出的工作是这一努力的一个小小的垫脚石Npji3c,Google 希望通过今后与气象界的合作8p,能够带来更大的改进sYM。

责任编辑cG:张国帅


相关报道:威尼斯人澳门官网
相关报道:有没有和亚博一样的平台
相关报道:yabo亚博微博
相关报道:有没有新濠天地网址
相关报道:澳门博彩博狗
相关报道:澳门威尼斯人集团网址
相关报道:高美梅
新闻大观>>国内新闻>新闻报道


新闻大观| 中新财经| 中新体育 中新影视| 中新图片| 台湾频道| 华人世界| 中新专稿| 图文专稿| 中新出版| 中新专著| 供稿服务| 联系我们

分类新闻查询

本网站所刊载信息,不代表中新社观点。 刊用本网站稿件,务经书面授权。