华盛顿大学汉娜·希基 首先，作者将行星表面分成一个六面立方体的网格(左上角)，然后将六面展平成二维形状，就像在纸质模型中一样(左下角)
这项新技术让作者使用为二维图像开发的标准机器学习技术进行天气预报
信用:Weyn等人
/地球系统建模进展杂志 今天的天气预报来自地球上一些最强大的计算机
这些巨大的机器通过数百万次计算来求解方程，以预测温度、风、降雨和其他天气事件
即使是最现代的计算机，对预测的速度和准确性的综合需求也是一种负担
未来可能会采取完全不同的方式
华盛顿大学和微软研究院的一项合作展示了人工智能如何分析过去的天气模式来预测未来的事件，比今天的技术更有效，并且有可能在某一天更精确
新开发的全球天气模型基于过去40年的天气数据进行预测，而不是基于详细的物理计算
简单的、基于数据的
我
根据今年夏天发表在《地球系统建模进展》杂志上的一篇论文，通过从一个预测到下一个预测采取类似的重复步骤，模型可以比传统的天气模型更快更好地模拟全球一年的天气
“机器学习本质上是在做一个模式识别的美化版本，”主要作者乔纳森·韦恩说，他在UW的大气科学博士学位中做了这项研究
“它看到一个典型的模式，认识到它通常是如何演变的，并根据它在过去40年的数据中看到的例子来决定要做什么
" 尽管不出所料，新模型不如当今顶尖的传统预测模型准确，但目前的A
我
设计使用大约少7000倍的计算能力来对全球相同数量的点进行预测
更少的计算工作意味着更快的结果
这种加速将使预测中心能够以稍微不同的启动条件快速运行许多模型，这种技术被称为“集合预测”，允许天气预测涵盖天气事件的可能预期结果范围——例如，飓风可能袭击的地方
左边是新论文的“深度学习天气预报”预报
中间是2017-18年的实际天气，右边是当天的平均天气
信用:Weyn等人
/地球系统建模进展杂志 “这种方法效率更高；这就是它如此重要的原因，”作者戴尔·杜兰说，他是UW大气科学的教授
“有希望的是，它可以让我们通过拥有一个速度足以运行非常大的集合的模型来处理可预测性问题
" 合著者、微软研究院的里奇·卡鲁阿纳最初与UW小组接触，提出了一个利用人工智能的项目，在不依赖物理定律的情况下，根据历史数据做出天气预报
韦恩正在上UW大学的计算机科学机器学习课程，并决定着手这个项目
“经过对过去天气数据的训练后，A
我
“算法能够得出不同变量之间的关系，这是物理方程做不到的，”韦恩说
“我们可以使用更少的变量，因此建立一个更快的模型
" 要合并成功的
我
利用天气预报技术，研究小组将立方体的六个面映射到地球上，然后将立方体的六个面展平，就像在建筑纸模型中一样
作者对极面有不同的处理，因为它们在天气中的独特作用是提高预报准确性的一种方式
然后，作者通过全年每12小时预测500百帕斯卡压力的全球高度来测试他们的模型，百帕斯卡压力是天气预报中的一个标准变量
最近的一篇论文，其中包括作为合著者的韦恩，介绍了作为数据驱动的天气预报的基准测试
在为三天预测开发的预测测试中，这个新模型是表现最好的模型之一
作者说，数据驱动的模型在开始与现有的业务预测竞争之前需要更多的细节，但这一想法显示出作为生成天气预测的替代方法的前景，特别是在以前的预测和天气观测越来越多的情况下
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
