我们的生活与天气息息相关。根据一项研究，英国的任何时刻，有三分之一的人在过去一小时内谈论天气，反映了天气在日常生活中的重要性。在各种天气现象中，雨水尤其重要，因为它对我们的日常决策产生影响。我应该带把伞吗？在遇到大雨时，我们应该如何规划车辆路线？在户外活动中，我们应该采取哪些安全措施？会发生洪水吗？我们最新的研究和尖端模型推动了降水即时预测的科学发展，即对未来1-2小时内的雨水（和其他降水现象）进行预测。我们与英国气象局合作撰写的一篇发表于《自然》杂志的论文直接解决了这一重要的天气预测大挑战。这种环境科学与人工智能的合作关注决策者的价值，为雨水即时预测开辟了新的途径，并指出了人工智能在支持我们应对不断变化的环境中的决策挑战方面的机会。
短期天气预测
在历史上，天气预测对我们的社区和国家具有重要地位。中世纪的气象学家开始使用星星进行预测。渐渐地，开始记录季节和雨水模式的表格被保存下来。几个世纪后，刘易斯·弗莱想象了一个使用计算和大气层物理方程来预测全球天气的“预测工厂”。在这本不断演变的天气预测书中，我们现在加入了关于机器学习在预测中的作用的故事。
今天的天气预测是由强大的数值天气预测（NWP）系统驱动的。通过求解物理方程，NWP提供了数天以后的关键全球预测。然而，在两个小时以内的短时间内，它们很难生成高分辨率的预测。在这个关键的时间间隔内，即时预测填补了性能差距。
对于水资源管理、农业、航空、紧急计划和户外活动等行业来说，即时预测至关重要。天气感知技术的进步使得高分辨率雷达数据（测量地面上的降水量）以高频率（例如，每5分钟以1公里分辨率）可用。现有方法在这个关键领域存在困难，而高质量数据的可用性为机器学习在即时预测中发挥作用提供了机会。
即时预测的生成模型
我们专注于对雨水的即时预测：对未来2小时内降雨的数量、时间和位置进行详细和合理的预测。我们使用一种称为生成建模的方法，根据过去的雷达数据进行详细和合理的未来雷达预测。从概念上讲，这是一个生成雷达动画的问题。通过这种方法，我们既可以准确捕捉到大规模事件，也可以生成许多替代的降雨情景（称为集合预测），从而可以探索降雨的不确定性。我们在研究结果中使用了来自英国和美国的雷达数据。
我们特别关注这些模型在对重度雨水事件的预测能力，这些事件对人们和经济影响最大，和竞争方法相比，我们展示了在这些情况下的统计显著改进。重要的是，我们与英国国家气象局的50多名专家气象学家进行了认知任务评估，他们将我们的新方法与广泛使用的即时预测方法相比，在89%的情况下将我们的方法评为首选，证明了我们的方法为真实世界决策者提供洞察力的能力。
接下来是什么
通过使用统计、经济和认知分析，我们能够展示一种新的、有竞争力的降水即时预报方法，该方法基于雷达数据。没有一种方法是完美的，需要进一步工作来提高长期预测的准确性以及对罕见和强烈事件的准确性。未来的工作将需要我们开发额外的性能评估方法，并将这些方法进一步专门应用于特定的实际应用中。
我们认为这是一个令人兴奋的研究领域，希望我们的论文能够作为新工作的基础，通过提供数据和验证方法，实现竞争性验证和操作效用。我们还希望与英国气象局的合作能够促进机器学习和环境科学的更大融合，并更好地支持在不断变化的气候下的决策。
阅读2021年9月30日《自然》杂志上发布的论文《使用雷达的深度生成模型进行降水技能预报》，其中对模型、数据和验证方法进行了广泛讨论。您还可以通过GitHub探索我们用于训练的数据，并找到适用于英国的预训练模型。