Adobe
event
 

Google用神经网络进行天气预报

Google以卷积神经网络技术预测天气,不过仅未来6小时内效果最佳,更长远一点的未必比传统预测模型有用。法新社

Google研究团队开发一种深度神经网络(Deep Neural Network),可以快速且详细地进行降雨预报。Google还说,他们的研究比现有预报方法更准,至少是6小时以内的天气变化。

据Ars Technica报导,Google研究人员说,他们的研究结果在速度和空间分辨率等方面有重大突破。

 点击图片放大观看

Google所产生的天气预报其实和过往神经网络的实际应用例子没有太大差别,都是输入过去时间点的数据来训练网络架构,进而产生预测结果。

目前天气预报需要1~3小时的运算时间,也就是说预报1小时后的天气并不可行。相较之下,Google的系统可在10分钟以内产出结果,这还算进了从美国各地传感器回收数据的时间。

神经网络的关键优势之一就是快,虽仰赖长时间的训练,但利用神经网络运算新数据可以省下许多时间成本。

至于空间分辨率,相较传统方法将空间分辨率限制在约5公里以内,Google系统则是将美国领土以1公里为单位来切分。这么做的好处是能方便查询特定路线的每分钟降雨预报。

对于规划短期行程、临时起义想出门的人特别受用,毕竟以往天气预报可能只会告诉用户在接下来几小时内,将有百分之几的降雨机率。

Google表示,至少未来6小时内发生的天气变化,他们能做到比常规的预报方法更准确。短时间内的天气变化主要受云的对流和平流影响,而这些过程也受当地地形和地理环境显著影响。

超过6小时的话可能就不一定了,Google也承认,把预测时间拉长,传统的物理观测方法可以预测得更准确。

不过很新鲜的是,Google的理论模型并不照著大气物理学的学说走,象是压力、温度或湿度等物理条件都不是该软件会去模拟的。取而代之的是降水分布图,它会根据先前的快照来预测接下来的图象会是如何。

Google使用卷积神经网络(CNN)技术,让计算机去标记正确图象来完成任务。这套热门的神经网络架构称为U-Net,最初是为了诊断医疗用途影像而开发。

U-Net可一层层对图象进行降采样(Downsample),先降低图象分辨率容纳更多数据上的变量,象是温度和风速等,之后再以升采样(Upsample)的方式将图象转换回高分辨率。这么做既能包含全分辨率的原始图象,也能涵盖神经网络推论的数据变量。

Google所产生的天气预报其实和过往神经网络的实际应用例子没有太大差别,都是输入过去时间点的数据来训练网络架构,进而产生预测结果。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 人工智能