在英國的任何時刻，根據一項研究，該國三分之一的人在過去一小時內都在談論天氣，這反映出天氣在日常生活中的重要性。在天氣現象中，雨尤其重要，因為它會影響我們的日常決策。我應該帶傘嗎？遇到大雨的車輛應該如何安排路線？我們在戶外活動中採取了哪些安全措施？會不會有洪水？DeepMind最新的研究和最先進的模型推進了降水臨近預報科學，即預測未來 1-2小時內的降雨（和其他降水現象）。在一篇論文中DeepMind與氣象局合作編寫並發表在《自然》雜誌上，DeepMind直接應對了天氣預報中的這一重大挑戰。環境科學與人工智慧之間的這種合作側重於對決策者的價值，為臨近預報降雨開闢了新途徑，並指出人工智慧有機會支援DeepMind在不斷變化的環境中應對決策挑戰。

短期天氣預報

縱觀歷史，天氣預測對DeepMind的社群和國家都具有重要意義。中世紀的氣象學家開始使用星星進行預測。慢慢地，開始保留記錄季節和降雨模式的表格。幾個世紀後，劉易斯·弗萊 (Lewis Fry) 設想了一個“預報工廠”，它使用計算機和大氣物理方程來預測全球天氣。在這本不斷髮展的天氣預報書中，DeepMind現在添加了一個關於機器學習在預測中的作用的故事。

今天的天氣預報是由強大的數值天氣預報(NWP) 系統驅動的。透過求解物理方程，NWP 可提前幾天提供基本的行星尺度預測。然而，他們很難在兩小時內的較短交貨時間內生成高解析度預測。臨近預報填補了這個關鍵時間間隔內的效能差距。

臨近預報對於水資源管理、農業、航空、應急計劃和戶外活動等行業至關重要。天氣感測方面的進步使得高解析度雷達資料（測量地面降水量）可以高頻使用（例如，每 5 分鐘一次，解析度為 1 公里）。現有方法難以解決的關鍵領域與高質量資料的可用性相結合，這為機器學習為臨近預報做出貢獻提供了機會。

過去 20 分鐘的觀測雷達用於使用深層降雨生成模型 (DGMR) 為接下來的 90分鐘提供機率預測。

臨近預報的生成模型

DeepMind專注於臨近預報降雨：最多可提前 2 小時預測降雨量、時間和位置。DeepMind使用一種稱為生成建模的方法，根據過去的雷達對未來的雷達進行詳細而合理的預測。從概念上講，這是生成雷達電影的問題。使用這些方法，DeepMind既可以準確捕獲大規模事件，同時還可以生成許多替代降雨場景（稱為集合預測），從而可以探索降雨的不確定性。DeepMind在研究結果中使用了來自英國和美國的雷達資料。

DeepMind對這些模型對中到大雨事件做出預測的能力特別感興趣，這些事件是對人類和經濟影響最大的事件，並且與競爭方法相比，DeepMind在統計上顯示出這些制度的顯著改進。重要的是，DeepMind與英國國家氣象局氣象局的 50 多位專家氣象學家進行了認知任務評估，與廣泛使用的臨近預報方法相比，他們在 89% 的案例中將DeepMind的新方法評為首選，證明了DeepMind的方法為現實世界的決策者提供洞察力的能力。

該影象顯示了 2019年4月在英國上空發生的具有挑戰性的事件（目標是觀測到的雷達）。 DeepMind的生成方法 (DGMR) 比對流方法 (PySTEPS) 更好地捕捉迴圈、強度和結構，並且不會像確定性深度學習方法 (UNet) 那樣模糊。

2019 年 4 月在英國發生的具有挑戰性的事件（目標是觀測到的雷達）。DeepMind的生成方法 (DGMR) 比對流方法 (PySTEPS) 更好地捕捉環流、強度和結構，並且更準確地預測東北部的降雨和運動。與確定性深度學習方法 (UNet) 不同，DGMR 還可以生成清晰的預測。

該影象顯示了 2019 年 4 月美國東部的強降水事件（目標是觀測到的雷達）。 與平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的強度和範圍，其強度通常太高，並且不像確定性深度學習方法 (UNet) 那樣模糊。

2019 年 4 月美國東部發生強降水事件（目標是觀測到的雷達）。與平流方法 (PySTEPS) 相比，生成方法 DGMR 平衡了降水的強度和範圍，其強度通常太高，並且不像確定性深度學習方法 (UNet) 那樣模糊。

透過使用統計、經濟和認知分析，DeepMind能夠展示一種新的、具有競爭力的雷達降水臨近預報方法。沒有任何方法是沒有限制的，需要做更多的工作來提高長期預測的準確性以及對罕見和強烈事件的準確性。未來的工作將要求DeepMind開發其他評估效能的方法，並進一步將這些方法專門用於特定的實際應用。

DeepMind認為這是一個令人興奮的研究領域，DeepMind希望論文能夠透過提供資料和驗證方法成為新工作的基礎，使提供競爭性驗證和操作效用成為可能。DeepMind還希望與氣象局的合作將促進機器學習和環境科學的更大整合，並更好地支援氣候變化中的決策