输入数据。鸣谢:Bakkay等人深度学习模型已经被证明对于分析大量数据和准确预测未来事件非常有效。这使得它们有利于广泛的应用，包括天气预报。虽然气象学家现在可以相当好地预测未来两三天的总体天气趋势，但气候变化导致意想不到的极端天气事件增加，包括雷暴、冰雹和飓风。提前几个小时准确预测这些突发气象事件有助于做好准备，有可能限制它们的影响和不利后果。
IRT·AESE·圣埃克苏佩里和法国气象局的研究人员最近开发了三个深度神经网络来预测即将到来的降水。arXiv上预先发表的一篇论文中介绍的这些网络可以让气象学家、政府、体育赛事组织者和其他组织提前一到六个小时预测风暴、飓风和其他极端天气事件的发生。
“我们建议使用三种流行的深度学习模型(U-net，ConvLSTM和SVG-LP)在二维降水地图上进行训练，用于降水临近预报，”研究人员在他们的论文中写道。"我们还提出了一种斑块提取算法，以获得高分辨率的降水图."
今天，大多数长期天气预报依赖于数字模型，这些模型可以使用天空图像、雷达数据和其他可用的大气数据来模拟大气物理过程。虽然这些方法可以很准确地预测降水量，但它们通常需要进行大量的计算，因此需要很长时间来进行预测。因此，这些方法在降水临近预报或即将到来的降水预测方面往往表现不佳。
降水预测的两个例子。顶行:地面真相；第二排:U网模型；第三排:ConvLSTM车型；底部一行:SVG-LP模型。网络的结果代表模型的6个输出。鸣谢:Bakkay等人Mohamed Chafik Bakkay和他在IRT·AESE·圣埃克苏佩里和法国气象局的同事最近工作的主要目标是开发深度神经网络，它可以比数值天气预报模型更有效地处理降水临近预报。在他们的论文中，他们提出了三种不同的模型，即U-net、ConvLSTM和SVG-LP网络。
这三个网络在一个数据集上进行训练，该数据集包含法国气象局在2017年至2018年期间使用雷达回波技术拍摄的20，352幅高分辨率图像。这些图像覆盖了法国大约1000 x 1000平方公里的区域。
由于直接将高分辨率降水地图输入深度神经网络会使计算机的GPU饱和，研究人员还开发了一种补丁提取算法，可以将它们划分为256 x 256个补丁。网络可以学习对这些特定的区域进行预测，而不是预测整个地图的降雨量。最后，他们还开发了一种损失函数算法，可以提高神经网络处理的图像质量，使它们不那么模糊。
Bakkay和他的同事在一系列测试中评估了他们开发的所有三个模型的性能，比较了他们产生的重建质量和预测的准确性。他们发现，尽管所有三个模型都很好地捕捉了降水场的演变，但U-Net模型(一种卷积神经网络(CNN)架构)的表现优于其他两个模型。
“基于CNN的方法优于基于RNN的模型，”研究人员在论文中写道。“它能够生成高值的降水量，并能更准确地预测未来的雨量等值线。此外，ConvLSTM的性能优于SVG-LP，但它往往会模糊后面的帧。”
在未来，这个研究小组开发的U-Net架构可以用来开发更有效的工具来预测即将到来的降水和暴雨。此外，他们的工作可以激励其他团队开发类似的模型来预测极端天气事件。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
