AI（人工智能）技術(shù)的發(fā)展能夠更好地預(yù)知極端天氣的發(fā)生并作出及時響應(yīng)。谷歌（Google）官方博客上，就介紹了公司最近正在進行的兩個氣象類項目，包括“通過神經(jīng)天氣模型預(yù)測降水量”、“利用AI完善洪水預(yù)警系統(tǒng)”。
通過神經(jīng)天氣模型預(yù)測降水量
目前主流的天氣預(yù)報系統(tǒng)依賴于根據(jù)大氣科學(xué)的物理原理運行的模型，在過去幾十年內(nèi)，這一方法得到了巨大的改進，不過它仍然有著明顯的局限性。
現(xiàn)在通過深度神經(jīng)網(wǎng)絡(luò)技術(shù)，可以在不利用物理規(guī)律的情況下，直接從氣象數(shù)據(jù)中尋找模式，預(yù)測降水概率，提高了預(yù)測的效率和準確度。
在2020年發(fā)表的一篇論文中，谷歌AI的研究人員提出了一項基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的新算法，名為MetNet。谷歌介紹，這一模型能夠以1公里的分辨率，推斷出某一區(qū)域在未來8小時范圍內(nèi)每相隔2分鐘的降水概率，與美國國家海洋和大氣管理局（NOAA）目前最先進的基于物理學(xué)的模型相比，在及時性上可以提前7到8小時，預(yù)測整個美國的情況只需要幾秒鐘。
MetNet預(yù)測的降水情況與實地測量結(jié)果的比較
為了讓MetNet得出的結(jié)果更加準確，谷歌使用了詳盡而全面的數(shù)據(jù)，包括美國由多雷達/多傳感器系統(tǒng)（MRMS）構(gòu)成的地面雷達站得出的降水估計值，以及海洋和大氣管理局的靜止環(huán)境業(yè)務(wù)衛(wèi)星系統(tǒng)基于云圖提供的測量值。此外，在以1公里的分辨率對整個美國范圍內(nèi)每個64x64公里的方塊區(qū)域進行天氣預(yù)測時，MetNet還會考慮云層和降水場在所預(yù)測時間段內(nèi)所有可能的運動路線。為了處理如此龐大的計算量，谷歌在模型中構(gòu)建了一個空間下采樣器（downsampler），通過降低輸入數(shù)據(jù)的空間維度，減少模型處理數(shù)據(jù)時需要消耗的內(nèi)存，讓它變得更加高效。同時，在針對密集和平行計算進行優(yōu)化后，模型非常適合在GPU和TPU等算力強大的專用硬件上運行，極大地縮短了進行預(yù)測所需要的時間。
利用AI完善洪水預(yù)警系統(tǒng)
氣候變化導(dǎo)致的另一嚴重后果是洪澇災(zāi)害的多發(fā)。2019年的數(shù)據(jù)顯示，洪水每年在全球范圍內(nèi)造成6000到18000人死亡，造成210億到330億美元的經(jīng)濟損失。
2018年起，谷歌啟動了谷歌洪水預(yù)警項目（Google Flood Forecasting Initiative），利用AI和強大算力打造更好的洪水預(yù)測模型，并與多國政府部門展開合作。
2020年9月，谷歌宣布，這一項目在預(yù)警提前時間、準確性和清晰度上都取得了重要的突破，覆蓋范圍也已經(jīng)擴展到了印度和孟加拉國境內(nèi)的2.5億人口。這些進步的實現(xiàn)主要得益于洪水預(yù)警模型的不斷更新和完善，現(xiàn)在，印度政府發(fā)出的每一條洪水警報，背后都有著谷歌提供的技術(shù)支持。
在洪水預(yù)警的第一步，水文模型可以根據(jù)降水量或者上游水位的測量值，預(yù)測出未來某個時間點河流的水位情況。谷歌更新了其洪水系統(tǒng)的水文模型，將發(fā)出洪水警報的時間提早了1倍，既能為政府提供更多的信息，也讓人們有了額外的準備時間。此外，該模型在準確性上也有了極大的提升：在90%以上的時間里，水位預(yù)測的誤差邊界在15厘米以內(nèi)。
接著，洪水預(yù)測模型需要根據(jù)河流水位的預(yù)測值，進一步預(yù)測洪泛區(qū)可能受到的影響。為了在擴大覆蓋范圍的同時，保證預(yù)測的精度，谷歌更新了模型采用的淹沒建模方法。這種新方法名為形態(tài)淹沒模型（morphological inundation model）。
形態(tài)淹沒模型將基于物理學(xué)的建模與機器學(xué)習(xí)技術(shù)相結(jié)合，以在真實世界環(huán)境（real-world settings）中創(chuàng)建更準確、擴展性更強的淹沒模型。這種新方法不再在根據(jù)衛(wèi)星圖像開發(fā)的高質(zhì)量高程圖（elevation maps）上實時模擬水流，而是計算修改高程圖的形態(tài)，使用簡單的物理原理進行淹沒模擬。
首先，谷歌訓(xùn)練了一個機器學(xué)習(xí)模型，可以根據(jù)河流上某一點河道水位計的水位值輸出河流中所有點的水位，形成河流剖面圖。這一模型對現(xiàn)實情況進行了合理的簡化，它假設(shè)如果河流某一點的水位值上升，整條河的水位都會上升，同時河道斷面的絕對高程是向下游遞減的，即河水向下游流動。
圖中綠點即為谷歌的洪水預(yù)警系統(tǒng)確定的需要發(fā)出洪水警報的地區(qū)
然后，谷歌根據(jù)這一模型，結(jié)合啟發(fā)法（heuristics）編輯高程圖，以“抵消”某一區(qū)域被洪水淹沒時的壓力梯度（pressure gradient）。新合成的高程圖可以使用簡單的洪水填充算法（flood-fill algorithm）為洪水流動情況建模。谷歌介紹，與傳統(tǒng)的物理模型相比，這一方法將預(yù)報準確性提高了3%，同時有著更強的靈活性，更快的開發(fā)速度，可顯著改善對大面積區(qū)域的預(yù)測結(jié)果。在那些形態(tài)淹沒模型尚未覆蓋的區(qū)域，谷歌則是應(yīng)用了一種基于機器學(xué)習(xí)的端到端方法，幾乎只使用全球公開可用的數(shù)據(jù)，如流量計測量值、公共衛(wèi)星圖像和分辨率較低的高程圖訓(xùn)練模型，直接、實時地推斷出淹沒圖。雖然不如形態(tài)淹沒模型精細，但與之前在這些地區(qū)應(yīng)用的預(yù)警方法相比，這一方法同樣有著更高的準確性。
