不用物理模拟，Google以机器学习即时预测降雨

Google现在研究以机器学习来即时预测天气，目前这项研究仍在初期阶段，但已经能以1公里的预测分辨率，预报接下来6小时内的降雨，总延迟时间只有5到10分钟。Google提到，利用机器学习进行预测，仅需要雷达资料且不需要进行实际的物理模拟，由于在训练好的模型上进行预测运算成本很低，因此即便利用高分辨率的资料，也能执行接近即时的预测。

天气很大程度影响人们的日常生活，而天气预报能够让人们对即将到来的天气，预先采取应对措施，小至改变周末计划，大致风暴来袭撤离居民，但是要能预测局部性暴雨，或是雷暴这种以小时为单位的事件，并非一件简单的事。

目前有许多科技用来预测气象，像是多普勒雷达可用来即时测量降雨（图下），气象卫星（图上）可提供多谱成像等图像，而地面站则能直接测量风力与降雨。美国国家海洋与大气管理局（NOAA）每天收集的遥测资料多达100TB，NOAA将这些资料以超级电脑上的天气预报引擎运算，提供1到10天的全球天气预报。

但运算资源的可用性，限制了数值天气预报的能力，像是天气预报的空间分辨率约为5公里，而这样的分辨率难以应用在市区或是农地上，而且因为数值方法需要花费数个小时运算，当每次运算需要花费6小时，则一天就只能运算3到4次，且用来预测的资料是6小时前的旧资料，这限制了人们对当前天气状态掌握的程度。

而Google利用机器学习从雷达图像预测降雨，以更快且分辨率更高的方式，预测地区的短期天气，Google的系统可以利用1个小时的雷达图像，预测接下来数小时的雷达图像，时间范围通常是0到6小时。

Google提到，因为雷达资料是以图像的方式呈现，因此可以将天气预测，转换为电脑视觉的问题，以输入的图像序列来判断气象的演变，而气象演变由两个物理程序影响，其一是对流对云移动的影响，以及对流对形成云的影响，而这两个程序都很大程度地受地形与地理环境影响。

由于Google使用非资料驱动的无物理方法，因此只能从样本中，训练神经网络学习近似天气的物理，而非实际模拟大气运作的原理，Google表示，由于是处理电脑视觉的问题，因此他们利用了图像分析技术卷积神经网络。Google利用了2017年到2019年观测资料训练模型，资料以4星期为一个单位，一个单位前3个星期的资料为训练资料，第4周的资料用来评估。

Google将运用机器学习的预侧方法，与HRRR、OF算法和持续型模型三个受到广泛使用的快速预测模型，比较期精确率与召回率（Precision & Recall），Google提到，应用神经网络的方法其预测品质明显高于其他三个模型，不过预测范围在5到6小时后，HRRR的预测结果品质就会超越Google的机器学习方法。

使用机器学习预测的好处是可以即时取得结果，这代表能以最新的资料进行预测，而HRRR则因为需要运算较久，因此时间会延迟1到3小时，整体来说，机器学习方法可以获得较佳的短期预测结果，而HRRR可以获得较佳的长期预测结果，Google解释，因为云的形成是立体的，很难单从2D图像中观察，但把这两个系统结合，将能提供更全面的预测结果。