如果天氣預(yù)報(bào)說(shuō)明天 25% 的天空被云層覆蓋，那么你能判斷明天的天氣嗎？恐怕很難?；蛟S這 25% 的云會(huì)聚集在一起，帶來(lái)一場(chǎng)傾盆大雨，或許它們只是天空中許多可愛(ài)的散碎云朵，在陽(yáng)光明媚的日子里增加你的喜悅。要從云層預(yù)測(cè)天氣，我們需要了解更多信息。
令人驚訝的是，目前最先進(jìn)的天氣模型也只能對(duì)云做十分粗略的描述，比如我們剛剛提到的 25% 的云量。原因是云往往很小，天氣模型無(wú)法考慮到天空中每一小塊區(qū)域的情況。而如果把天空中的每一塊區(qū)域都考慮在內(nèi)，那么即使是最快的超級(jí)計(jì)算機(jī)也無(wú)法完成天氣預(yù)報(bào)所需的計(jì)算。即使近幾年計(jì)算能力急劇增加，也還不足以解決這個(gè)問(wèn)題。
“一塊巨大的云和許多非常小的云之間有很大的區(qū)別，”巴斯大學(xué)的數(shù)學(xué)家迪瓦恩說(shuō)，“這兩種情況將導(dǎo)致天氣表現(xiàn)出巨大的差異，但目前使用的天氣預(yù)報(bào)模型沒(méi)有考慮到這一點(diǎn)。
然而，稍微換一個(gè)方向，我們就能看到希望。與其試圖加快計(jì)算速度，也許我們可以利用計(jì)算機(jī)的力量，通過(guò)學(xué)習(xí)大量已有的數(shù)據(jù)來(lái)完成復(fù)雜的任務(wù)。這就是機(jī)器學(xué)習(xí)，它是人工智能的一種形式。從在線購(gòu)物到醫(yī)療保健，目前人工智能正在進(jìn)入生活的各個(gè)領(lǐng)域。如果這個(gè)想法也適用于氣象學(xué)，那么天氣預(yù)報(bào)將變得更加準(zhǔn)確，同時(shí)需要的計(jì)算能力也會(huì)比當(dāng)前天氣模型少。
傳統(tǒng)的天氣預(yù)報(bào)模式
天氣是地球大氣和海洋的運(yùn)動(dòng)、水分在大氣中的移動(dòng)以及空氣壓力和溫度的變化共同作用的結(jié)果。大氣和海洋分別屬于氣體和液體，它們都屬于流體，而在氣象學(xué)里，剛好有一組描述了流體運(yùn)動(dòng)的方程：納維-斯托克斯方程。
天氣預(yù)報(bào)背后的原理相對(duì)簡(jiǎn)單。首先測(cè)量描述當(dāng)前天氣的因素，例如溫度、空氣壓強(qiáng)和密度、風(fēng)速以及空氣的濕度。然后，將這些數(shù)據(jù)提供給基于納維-斯托克斯方程構(gòu)建的數(shù)學(xué)模型，這樣就可以在計(jì)算機(jī)上及時(shí)計(jì)算出天氣的變化。
然而，在實(shí)際操作中，有幾件事會(huì)使天氣預(yù)報(bào)變得棘手。首先，你不可能測(cè)量地球上每個(gè)點(diǎn)的溫度、壓力、濕度等。其次，你不能以無(wú)限的精度測(cè)量它們。著名的蝴蝶效應(yīng)意味著，隨著計(jì)算的進(jìn)行，不可避免的一點(diǎn)微小誤差可能會(huì)變得非常大，從而產(chǎn)生一個(gè)偏差很大的預(yù)測(cè)。第三，由于納維-斯托克斯方程的復(fù)雜性，應(yīng)用到天氣模型中需要大量的算力。
地球像素化
為了能夠進(jìn)行預(yù)測(cè)，天氣建模者們將地球及其大氣層劃分為一個(gè)網(wǎng)格，就像電視或電腦屏幕將圖像分成像素一樣。正如每個(gè)像素都被分配了一種顏色，每個(gè)網(wǎng)格框也只為壓力、濕度、溫度等分配了一個(gè)數(shù)值 —— 這個(gè)值是對(duì)單個(gè)網(wǎng)格框進(jìn)行精準(zhǔn)測(cè)量得到的，這樣就使得計(jì)算變得容易。之后我們可以使用集成預(yù)測(cè)等技術(shù)來(lái)減輕蝴蝶效應(yīng)的影響。
在目前最先進(jìn)的天氣模型中，網(wǎng)格在水平方向上大約 1.5 公里見(jiàn)方，在豎直方向上高大約 300 米：即使是最快的超級(jí)計(jì)算機(jī)也無(wú)法處理更高的分辨率。云當(dāng)然可以比這個(gè)尺寸小得多，它們可以在一個(gè)網(wǎng)格框內(nèi)做各種奇妙的事情，許多別的過(guò)程也會(huì)在小于網(wǎng)格框的尺度內(nèi)發(fā)生。
為了把這些過(guò)程考慮進(jìn)來(lái)，天氣模型使用數(shù)學(xué)公式來(lái)估計(jì)，這些公式大致描述了這些過(guò)程的物理特性。這種估計(jì)稱為參數(shù)化。
“參數(shù)化是建模的一個(gè)步驟，它計(jì)算網(wǎng)格框內(nèi)所發(fā)生情況的物理特性，然后與網(wǎng)格尺度相關(guān)聯(lián)，”巴斯大學(xué)數(shù)學(xué)家、天氣預(yù)報(bào)和機(jī)器學(xué)習(xí)專家克里斯?巴德解釋說(shuō)。單個(gè)網(wǎng)格框中被云層覆蓋的天空比例就是被這樣參數(shù)化的一個(gè)量?！俺嗽浦猓€有來(lái)自太陽(yáng)的輻射、重力在大氣中引起的波動(dòng)以及風(fēng)吹過(guò)地球表面時(shí)所經(jīng)歷的摩擦等參數(shù)，”巴德說(shuō)。
AI 能做什么？
機(jī)器學(xué)習(xí)是指計(jì)算機(jī)算法學(xué)習(xí)如何發(fā)掘數(shù)據(jù)中的規(guī)律，然后充分利用這些規(guī)律進(jìn)行實(shí)際應(yīng)用。這里有一個(gè)經(jīng)典例子，是計(jì)算機(jī)學(xué)習(xí)從狗的圖片中分辨出貓的圖片。要教機(jī)器學(xué)習(xí)算法做到這一點(diǎn)，首先要給它輸入大量貓和狗的圖片，并告訴它每張圖片的正確答案 —— 到底是貓還是狗。
在一個(gè)看似神奇但高效的數(shù)學(xué)過(guò)程中，算法仔細(xì)分析圖片，調(diào)整內(nèi)部參數(shù)，直到在訓(xùn)練集中獲得非常高的正確率。然后你可以給它新的貓狗圖片，它就能高度準(zhǔn)確地分辨出圖片上的動(dòng)物。
當(dāng)涉及到天氣預(yù)報(bào)時(shí)，我們希望機(jī)器學(xué)習(xí)算法可以通過(guò)查看大量現(xiàn)實(shí)生活中的天氣來(lái)學(xué)習(xí)如何從與網(wǎng)格框相關(guān)的數(shù)字中確定網(wǎng)格框內(nèi)所發(fā)生事情的一些細(xì)節(jié)。如果可以的話，這些算法可以納入天氣模型，取代現(xiàn)有的參數(shù)化算法，并允許模型包含有關(guān)子網(wǎng)格過(guò)程的更詳細(xì)信息 —— 包括有關(guān)云的行為和組織的更多詳細(xì)信息。
試用 AI
巴德和迪瓦恩都是一個(gè)名為“深度學(xué)習(xí)中的數(shù)學(xué)”的研究組的成員，他們主要探索機(jī)器學(xué)習(xí)的一系列潛在應(yīng)用以及它背后的數(shù)學(xué)。他們指導(dǎo)研究生科沃德與英國(guó)氣象局合作了一個(gè)項(xiàng)目，內(nèi)容是測(cè)試機(jī)器學(xué)習(xí)能否提供關(guān)于云層的更多信息。
對(duì)于這樣一個(gè)測(cè)試，我們首先要做的是確定想要機(jī)器算法學(xué)習(xí)關(guān)于云的哪些信息?？莆值禄趲缀螌W(xué)的結(jié)果給出了一個(gè)答案：在云量相同的情況下，云全部聚集在一起時(shí)整個(gè)云團(tuán)的表面積往往比它被分成許多小云時(shí)要小。
因此，整個(gè)云團(tuán)的表面積，也稱為云周界，是一個(gè)很好的指標(biāo)，來(lái)反映網(wǎng)格框中有什么樣的云 —— 大積云或纖細(xì)的卷云。它也是一個(gè)有用的參數(shù)，用于改進(jìn)其他參數(shù)化過(guò)程和算法，例如預(yù)測(cè)輻射穿過(guò)云層傳輸?shù)乃惴ā?/p>
問(wèn)題是機(jī)器學(xué)習(xí)算法能否根據(jù)分配給整個(gè)網(wǎng)格框的數(shù)字來(lái)估計(jì)單個(gè)網(wǎng)格框內(nèi)的云周界。“這是科沃德項(xiàng)目的目標(biāo)：根據(jù)一系列環(huán)境因素對(duì)云周界的估計(jì)進(jìn)行機(jī)器學(xué)習(xí)?！?迪瓦恩說(shuō)。
為了訓(xùn)練算法，科沃德使用了在美國(guó)俄克拉荷馬州記錄的云的數(shù)據(jù)集?！八麄?cè)?svg xmlns="http://www.w3.org/2000/svg" role="img" focusable="false" viewbox="0 -833.2 2302.6 855.2" aria-hidden="true" style="vertical-align: -0.05ex;width: 5.209ex;height: 1.935ex;">
科沃德利用這些數(shù)據(jù)來(lái)訓(xùn)練兩種機(jī)器學(xué)習(xí)算法。對(duì)它們進(jìn)行訓(xùn)練之后，他將算法預(yù)測(cè)的云周界與攝像機(jī)記錄下的云周界進(jìn)行了比較。
兩種算法中較好的一個(gè)誤差為 16%。雖然不是零，但也不是很大。事實(shí)上，在不使用機(jī)器學(xué)習(xí)的情況下，最好的參數(shù)化云周界的方法也有接近 24% 的誤差。因此，在這種情況下，機(jī)器學(xué)習(xí)的精度比非機(jī)器學(xué)習(xí)高出三分之一以上。
概念的證明
科沃德的項(xiàng)目是測(cè)試機(jī)器學(xué)習(xí)能否用于天氣預(yù)報(bào)的一系列初步嘗試之一?！皺C(jī)器學(xué)習(xí)對(duì)于該領(lǐng)域的人們來(lái)說(shuō)是一種非常新的方法，” 迪瓦恩說(shuō)，“我們現(xiàn)在處于起步階段，大部分內(nèi)容都是實(shí)驗(yàn)性的，人們正在嘗試不同的東西，試圖提出新技術(shù)，看看它們的表現(xiàn)如何?！?/p>
人們希望機(jī)器學(xué)習(xí)最終不僅可以計(jì)算云層，也可以計(jì)算天氣模型中的其他現(xiàn)象。如果這個(gè)方法成功了，人工智能最終應(yīng)用到天氣預(yù)報(bào)的 App 中，到時(shí)候你會(huì)知道這個(gè)好消息的。
作者：Marianne Freiberger
翻譯：藏癡
審校：小聰
原文鏈接：Catching clouds with artificial intelligence
本文來(lái)自微信公眾號(hào)：中科院物理所 （ID：cas-iop），作者：Freiberger
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。