因为：天有不测风云。

为丹江口等地区用户提供了全套网页设计制作服务，及丹江口网站建设行业解决方案。主营业务为做网站、网站制作、丹江口网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！

编者按：本文来自微信公众号“HyperAI超神经”（ID:HyperAI），作者 神经星星，36氪经授权发布。

根据气象部门预报，8 月 12 日北京将迎来今年入汛以来最强降雨，各级部门都发出了预警通知。

经过一天一夜的漫长等待，间歇到来的暴雨给网友们提供了诸多灵感，创造了不少广泛传播的段子。也让大家好奇起天气如何预报？如何让天气预报更准确、更及时？

天气预报，归龙王和卫星谁管？

过去，天气预报是基于各类气象观测仪器和多个气象站，把温度、湿度、气压等指标测量出来，汇总后将观测结果绘制到一张图上。

这一张图上，呈现大气不同高度、不同层次的变化，从而预测可能出现的天气。

气象数据十分复杂，往往由数十种来源和类型

不同的气象会使用不同的设施进行检测。例如，地面站直接测量风和降水等，还可以进行温压湿风观测、闪电观测。

雷达观测，比如多普勒雷达可以检测实时测量降水，以及遥感自动观测。

我们熟悉的风云卫星就是气象卫星，就是提供多光谱成像，比如昼夜可见光、红外云图，冰雪覆盖、植被、海洋水色、海面温度等；

17年9月，微信将开屏图片更换为 由静止轨道气象卫星风云四号 A 星从太空拍摄的祖国全景

如今，天气预报增加了数值预报模式、算法预报等更多客观方法，也有了更加完善的预报系统和观测资料。

气象学，复杂到可以体现国力

气象学研究，不单单是刮风下雨，而是从海洋到天空，涵盖了大气圈、水泉、岩石圈、生物圈、冰冻圈组成的五大圈。

中国气象局影视中心的总工程师，在接受「我是科学家 iScientist 」的采访中提到：「在气象学的研究中，需要用物理来解释大气和海洋的运动，需要用化学了解物质的变化、需要用数学来统计和计算。在寥寥数字的天气预报背后，是大量综合学科的知识积累，是一个国家最强的计算能力和空间探测能力。」

我国的天气观测网络已经形成了立体观测，根据中国气象局今年五月的消息，我国气象部门现有地面气象观测站 7 万多个，全国乡镇覆盖率达到 99.6 %，数据传输时效从 1 小时提升到 1 分钟。

216 部雷达组成的新一代天气雷达网，成功发射了 17 颗风云系列气象卫星，7 颗在轨运行，为全球 100 多个国家和地区、国内 2500 多个用户提供服务。

目前，太空中有全球 1000 多颗气象卫星，可提供风雨、温度等的大量气象数据，地球上还有数十万个国家级和企业级气象站，它们都在不断收集实时数据。

国家级的气象站为国民生活提供便利，企业级的气象站则是提供商用服务，比如为大型农场、体育赛事、航空业提供更细粒度的气象数据。

天有不测风云，AI 也测不准

根据近期中国产业信息网的数据：未来5年中国气象服务产业收入预计达到 3000 亿元人民币。

很多大型企业比如 GE、IbM、Google、松下公司等等都拓展和提供气象方面的数据服务。

今年初Google 发布的《Machine Learning for precipitation Nowcasting from Radar Images（根据雷达图像进行降水临近预报的机器学习 ）》的论文中，Google AI 的研究人员针对「降水预测的机器学习模型的开发」提出新的研究方法。

论文中的新方法是利用数据驱动、完全不使用大气物理模型来建立短临降水预报模型。仅使用神经网络，通过训练数据集来学习拟合大气物理，而没有使用先验的大气物理基础知识。

在这个方法中，降水预报被看作是一种由图片至图片的转换问题，并利用一种 U-net 结构的卷积神经网来实现预报目的。

AI 测风云：图像识别 

在气象预测中，雷达数据被转换成图像，通过提取图像的色相、饱和度和亮度等特征，采用图像识别的方法，对不同的天气现象，比如区分降雨、降雪、冰雹、露、霜、雾（霾）。

上排的前三张图，显示了距现在 60 分钟前，30 分钟前和 0 分钟之前的雷达图像，最右边的图片显示 60 分钟后的雷达图像，即临近预报的地面真实情况。

下排左图是为了进行比较，通过应用光流（OF）算法对来自上方前三个面板的数据进行平流建模而产生的矢量场。

光流 OF 是 1940 年代开发的一种计算视觉方法，经常用于预测短期天气演变。

下排右图就 OF 做出的示例预测，它很预测了降水量，不过未能说明风暴的衰减强度。

AI 测风云：高性能计算 

IbM 运行着世界上分辨率最高的全球天气预报模型——全球高分辨率大气预报系统(GRAF)。它是第一个每小时更新一次的全球天气模型，能够预测地球上几乎任何地方像雷暴这样的小尺度天气系统。

为了支持 GRAF 这样的大型系统的运行， IbM 为其支持了 84 个 AC922 节点，每个节点配备 4 个 Nvidia V100 GpU 以及 3.5 pb 的 IbM Spectrum Scale Storage ，每天可处理多达 10 Tb的天气数据。

AI 测风云：AI 说了也不算 

虽然现在看来，人工智能对于气象预测、天气预报提供了很多方面的科研加速。但经过访问行业内的专业学者，我们得知在天气预测中，影响天气变化的因素成千上万个，无论是光照、海水洋流，每一个变量都在时刻不停的变化，也都会影响到气候变化。

涉及到的变量越多，对人工智能训练数据、计算能力的要求就越高，比如北京的这次强降雨，就是在强对流天气提前一天预测和预警，也会存在一定误差，无论是综合研判还是 AI，在气象数据的预测方面，还有很长的路要走。

但能够借助北京这次突如其来的降雨，让更多的人了解到天气预报背后的科学知识和科研力量的投入，也是一场有收获的及时雨。

参考资料：

- 我是科学家iScientist：《为什么天气预报会有报不准？我们和气象人谈了谈》

- Google：《Using Machine Learning to “Nowcast” precipitation in High Resolution》

- 机器之心《强化数据分析，精准天气预报，人工智能赋能气象研究》

- IbM https://www.ibm.com/weather/industries/cross-industry/gra

标题名称：为什么气象站和AI都测不准天气？
URL网址：http://ybzwz.com/article/scsjgg.html