Google最新的深度神經網路MetNet-2已能預測未來12小時降水

Google針對天氣降水預測，在去年發布了神經網路模型MetNet，而在今年，Google持續推進這項研究，發布更強大的深度學習神經網路MetNet-2，能夠做到前12小時的降水預測。

天氣預報通常仰賴超級電腦，使用以物理為基礎的技術產生預測結果，但是這種方法有較高的計算資源要求，而深度學習則提供了另一種運算預測方法，深度學習模型不採用明確的物理公式，而是直接從觀測資料中，學習預測天氣模式，這種方式可以比基於物理的技術更快，能夠增加預測的頻率、範圍，甚至是準確性。

深度學習在臨近預測上，表現出極大的潛力，也就是能夠提前2到6小時預測天氣狀況，官方提到，之前的研究工作，主要是在天氣資料使用神經網路模型，MetNet能夠擴展預測時間從0到8小時，產生最多90分鐘的連續雷達資料，並且解釋神經網路學到的天氣訊息。

更新的MetNet-2將預測邊緣推進到12小時，能夠維持一公里的空間解析度，和2分鐘的時間解析度，輸入的上下文資料增加4倍，並且使用更豐富的天氣輸入狀態，能捕捉到更遠距離的空間相依關係，MetNet-2的效能比起MetNet成長不少，甚至比目前最先進的HREF組合模型的效能更好。

MetNet-2產出天氣事件的機率，像是下午城市下雨的可能性，或是前方晴天的可能性，研究人員提到，端到端深度學習系統透過直接連接系統的輸入和輸出，能夠簡化程序並且增加預測品質，MetNet-2的開發方向，也是朝著最大程度減少預測需要面對的複雜性和步驟總數前進。

MetNet-2使用的輸入，包含MetNet中所使用的雷達和衛星圖像，除此之外，還使用物理模型中的預處理起始狀態，做為額外的天氣資訊。研究人員使用雷達的降水測量（MRMS）來當作基準真相，以最佳化MetNet-2的參數。

研究人員解釋，MetNet-2的機率預測可以被視為所有未來天氣狀況的可能性平均，並根據可能性進行加權。MetNet-2所產生的結果，類似以物理計算為基礎的組合模型，該模型會對各種物理模型未來天氣狀況預測進行平均，這兩種方法的差異之一，在於運算核心所需要的執行時間，組合模型需要約1小時，而MetNet-2只要約1秒鐘。

MetNet-2能進行長達12小時的預測，而其需要克服的挑戰，在於輸入圖像需要捕捉到足夠的空間上下文資訊，研究人員提到，要多預測一小時的天氣，所包含的圖資就要每個方向多64公里，也就是說，輸入的上下文大小為20,482平方公里，這是上一代模型MetNet所使用的4倍。因此MetNet-2必須使用模型平行運算技術，將模型分散到執行個體中的不同核心上。

研究人員將MetNet-2和輸出相似的HREF模型進行比較，HREF是目前用來預測美國地區降水，最先進的組合模型，HREF每天會匯總來2次來自5個不同模型的預測結果，研究人員提到，儘管MetNet-2沒有使用任何基於物理的計算，但是在12小時的降水預測都勝過HREF。

究竟MetNet-2從訓練資料中學到了什麼？研究人員利用先進的可解釋性工具，追蹤各種輸入特徵對MetNet-2效能所造成的影響，發現MetNet-2能夠模擬準地轉理論（Quasi-Geostrophic Theory）中描述的物理現象，以逼近大規模天氣現象。MetNet-2能夠在典型的高或低壓系統，計算出大氣力的變化，而這對降水來說是重要的條件，也是準地轉理論的關鍵原則。