再登Nature！从玻璃箱的水流到200万平方公里的降雨预报，DeepMind的AI物理模拟上天了_

作者|陈彩娴、吴彤

去年7月，DeepMind用图网络模拟了玻璃箱中的水体流动，如今他们将这个玻璃箱放大到了200万平方公里的大气层，并用深度生成模型取代了大气物理方程。

近日，DeepMind在天气预测上的最新研究登顶 Nature：提前 2 小时预测降雨时间、降雨地点与降雨量，能为人类预防极端暴雨天气提供目前最精确的消息预警，引起广泛关注！

据Nature报道，他们的工作是目前最先进的可操作性降雨预测技术，使用了深度学习加雷达对未来的降雨率进行直接预测，优于基于雷达的风估计来确定大致降雨范围的传统方法，且不会受到太多物理条件的约束。

Nature指出，当前其他预测降雨的深度学习模型虽然准确地预测了低强度降雨，但可操作性不强，缺少约束，会在较长的预期时间里提前发出不精确的天气预报，导致在罕见的中到大暴雨事件中表现不佳。

针对以上问题，DeepMind的研究团队提出了一个可以用雷达提前预测的深度生成模型。他们使用统计、经济与感知手段，改进了降雨预测的整体质量、预测稳定性与精确度。

DeepMind称，50 多位气象专家的系统评估表明，与其他两种最前沿的方法相比，他们的生成模型在 89% 的案例中，准确性与实用性都是最优。

再一次，AI 与环境科学跨界合作，在人类利用科技应对环境挑战的进程上立下了一块丰碑！

纵观历史，天气预测对国家和个人均具有重要的价值。

从中世纪开始，欧洲气象学家使用恒星预测天气。慢慢地，他们开始记录季节和降雨模式。几个世纪后，Lewis Fry 设想了一个“预测工厂”，可以通过计算大气物理方程来预测全球天气。

“降水临近预报”（precipitation nowcasting）对许多依赖天气动态作决策的行业有着至关重要的意义，包括应急服务、能源管理、零售、洪水预警系统、空中交通管制与海事服务等等。为了确保这些行业的正确运营，降水临近预报必须尽可能准确地预测多维度的降雨信息，包括降雨时间、降雨量、降雨位置、降雨强度等等。

此前，降雨预测主要采用数值天气预报 (NWP) 系统。该系统主要是通过模拟大气的耦合物理方程，估计降雨概率，从而生成多个真实的降水预报结果。

不过，在提前 0 至 2 小时的降雨预报中，NWP的表现却十分不如人意，因为 NWP 的模型启动时间都要超过2小时，且难以规避非高斯数据的同化。

后来，人们又使用基于雷达进行观测的降雨预测方法。在英国，雷达的数据每5分钟更新一次，网格分辨率为 1km × 1km。雷达概率预测系统主要有STEPS 和 PySTEPS，与NWP的拟合方式相近，但新增了根据对流方程和雷达源项模拟降水的方法，通过光流估计，能得到较准确的概率预测。

深度学习崛起后，研究人员开始用深度学习模型开发降雨预测系统，希望摆脱对对流方程的依赖。深度学习主要通过在大型雷达观测资料库上训练模型，而不是依赖内在的物理设置，可以更好地模拟传统方法难以预测的非线性降水现象，比如对流启动与强降水。

相比传统方法，深度学习方法可以直接预测每个网格位置（即特定位置）的降水率，并且为确定性和概率性预测开发模型。由于它们是直接优化，且归纳偏差更小，所以预测质量有了明显改进。

DeepMind用深度生成模型（DGM）开发了一种基于观察的临近预报概率方法。从本质上讲，DGM是一种统计模型，可以学习数据的概率分布，并允许从学习到的分布中生成样本。

由于生成模型基本上是概率性的，因此它们能够在给定的历史雷达上从未来雷达的条件分布中模拟大量样本，生成与集合方法类似的预测集合。

基于雷达的深度生成模型：DGMR

DeepMind 使用了一种生成建模方法，可以根据过去的雷达对未来的雷达进行详细而合理的预测。

深度学习由两个损失函数和一个正则化项驱动，通过将真实雷达观测值与模型生成的观测值进行比较来指导参数调整。

第一个损失由空间鉴别器（一个CNN）定义，旨在区分单个观察到的雷达场与生成的场，确保空间一致性并阻止模糊预测。第二个损失由时间鉴别器定义。时间鉴别器是一个三维 (3D) 卷积神经网络，旨在区分观察到的和生成的雷达序列，施加时间一致性并惩罚跳跃式预测。

这两个鉴别器与现有的视频生成模型架构相似。单独使用时，这些损失会带来与欧拉持久性（Eulerian persistence）相当的准确性。为了提高准确性，他们引入了一个正则化项，用于惩罚真实雷达序列和模型预测平均值（通过多个样本计算）之间的网格单元分辨率偏差。这第三项对于模型产生位置准确的预测和性能提升很重要。

最后，我们为生成器引入了一个完全卷积的潜在模块，允许对大于训练时使用的大小的降水场进行预测，同时保持时空一致性。

从概念上讲，这是生成雷达运动的问题。他们在这次研究中使用了来自英国和美国的雷达数据，通过使用新方法，既可以准确捕获大概率事件，同时还可以生成许多替代降雨场景（称为集合预测），从而可以探索降雨的不确定性。

图注：以现在的时间为零点，过去 20 分钟的观测雷达通过使用深度降雨生成模型 (Deep Generative Model of Rain，DGMR) ，为接下来的 90 分钟的天气提供概率预测，最多可提前 2 小时预测降雨量、时间和地点。

研究成就

在中到大暴雨天气的预测中，DGMR 模型取得了出色的表现。

与其他方法相比，DeepMind 的方法在统计上有显著改善。他们联合英国国家气象局（Met Office）的 50 多位气象学家进行了认知任务评估，表明了：与目前广泛使用的其他降雨临近预报方法相比，这些气象专家在 89% 的案例中会首先选择DGMR。

也就是说，DeepMind的深度学习方法为气象领域的专家提供了决策的辅助。

2019 年 4 月，针对英国上空的天气预测，DeepMind的预测模型曾与两种传统预测模型一同台竞技。结果显示，DGMR 与平流方法 (PySTEPS) 相比，能够更好地捕捉环流、强度和结构，并且更准确地预测东北部的降雨和运动。与确定性深度学习方法 (UNet) 不同，DGMR 的预测生成结果更清晰。