不用物理模擬，Google以機器學習即時預測降雨

Google現在研究以機器學習來即時預測天氣，目前這項研究仍在初期階段，但已經能以1公里的預測解析度，預報接下來6小時內的降雨，總延遲時間只有5到10分鐘。Google提到，利用機器學習進行預測，僅需要雷達資料且不需要進行實際的物理模擬，由於在訓練好的模型上進行預測運算成本很低，因此即便利用高解析度的資料，也能執行接近即時的預測。

天氣很大程度影響人們的日常生活，而天氣預報能夠讓人們對即將到來的天氣，預先採取應對措施，小至改變周末計畫，大致風暴來襲撤離居民，但是要能預測局部性暴雨，或是雷暴這種以小時為單位的事件，並非一件簡單的事。

目前有許多科技用來預測氣象，像是都卜勒雷達可用來即時測量降雨（圖下），氣象衛星（圖上）可提供多譜成像等圖像，而地面站則能直接測量風力與降雨。美國國家海洋與大氣管理局（NOAA）每天收集的遙測資料多達100TB，NOAA將這些資料以超級電腦上的天氣預報引擎運算，提供1到10天的全球天氣預報。

但運算資源的可用性，限制了數值天氣預報的能力，像是天氣預報的空間解析度約為5公里，而這樣的解析度難以應用在市區或是農地上，而且因為數值方法需要花費數個小時運算，當每次運算需要花費6小時，則一天就只能運算3到4次，且用來預測的資料是6小時前的舊資料，這限制了人們對當前天氣狀態掌握的程度。

而Google利用機器學習從雷達圖像預測降雨，以更快且解析度更高的方式，預測地區的短期天氣，Google的系統可以利用1個小時的雷達圖像，預測接下來數小時的雷達圖像，時間範圍通常是0到6小時。

Google提到，因為雷達資料是以圖像的方式呈現，因此可以將天氣預測，轉換為電腦視覺的問題，以輸入的圖像序列來判斷氣象的演變，而氣象演變由兩個物理程序影響，其一是對流對雲移動的影響，以及對流對形成雲的影響，而這兩個程序都很大程度地受地形與地理環境影響。

由於Google使用非資料驅動的無物理方法，因此只能從樣本中，訓練神經網路學習近似天氣的物理，而非實際模擬大氣運作的原理，Google表示，由於是處理電腦視覺的問題，因此他們利用了圖像分析技術卷積神經網路。Google利用了2017年到2019年觀測資料訓練模型，資料以4星期為一個單位，一個單位前3個星期的資料為訓練資料，第4周的資料用來評估。

Google將運用機器學習的預側方法，與HRRR、OF演算法和持續型模型三個受到廣泛使用的快速預測模型，比較其精確率與召回率（Precision & Recall），Google提到，應用神經網路的方法其預測品質明顯高於其他三個模型，不過預測範圍在5到6小時後，HRRR的預測結果品質就會超越Google的機器學習方法。

使用機器學習預測的好處是可以即時取得結果，這代表能以最新的資料進行預測，而HRRR則因為需要運算較久，因此時間會延遲1到3小時，整體來說，機器學習方法可以獲得較佳的短期預測結果，而HRRR可以獲得較佳的長期預測結果，Google解釋，因為雲的形成是立體的，很難單從2D圖像中觀察，但把這兩個系統結合，將能提供更全面的預測結果。