查看原文
其他

让气象预报误差缩小到1度!西湖大学最新交叉研究成果入选人工智能顶会AAAI


看到天气预报说有雨,带着雨伞出门,结果一天下来一滴雨都没见到?

听说今天冷空气可能会抵达,穿上最保暖的衣裤,却在和煦的日光里闷出汗?
你是否曾经感受到,天气预报,好像有时候不太“灵”?
或许,人工智能(AI)将能够帮助改变这一现实。西湖大学工学院人工智能实验室与生态环境研究实验室联手,将AI中的时空图网络算法,应用到气象领域,有望提升天气预报的精准度和效率。
这一学科交叉的研究成果“Conditional Local Convolution for Spatio-temporal Meteorological Forecasting”(基于局部条件图卷积的时空神经网络模型),已入选AI领域顶级会议AAAI 2022(第36届)。西湖大学人工智能实验室博士研究生林海涛为文章第一作者,水文讲席教授李凌和人工智能讲席教授李子青为共同通讯作者。


AAAI年会(The National Conference on Artificial Intelligence)由美国人工智能协会(Association for the Advancement of Artificial Intelligence)主办,是计算机学科领域的顶级会议,也是AI领域的主要学术组织之一,创立于1979年。
原文链接:https://arxiv.org/abs/2101.01000或点击文末“阅读原文”跳转。








当天气预报遇见AI


在手机上刷一下即时天气预报,已经是很多人的日常习惯性动作。而你有想过这些温度、降水、风力等等天气信息数字,是怎么来的吗?


其实,传统的天气预报背后,是基于一些特定物理规则建模而成的天气数值预报模型。天气数值预报模型是大气、陆地、海洋、冰冻圈内等局部特征组成的复杂系统的数学表达(即以数学的方式“呈现”了这些自然系统)——它包括可表征物理过程的Navier-Stokes方程和Clausius-Clapeyron方程等,也包括在物质和能量平衡约束下基于实测而建立的参数化方案。尽管目前这种模型已得到广泛应用,但它依然存在两方面问题:一是,模拟精度有待进一步提高,比如模型spin-up时期(可以理解为模型“调整”的过程)的预报精度问题;二是,计算资源消耗巨大。


西湖大学工学院李子青实验室和李凌实验室注意到了气象领域短时预报(指未来0-12小时天气的预报)存在的问题,他们将希望寄予了一类AI中的“明星”算法模型:神经网络。


神经网络,由脑神经网络的生物模型所启发,是一种可以进行分布式并行信息处理的算法数学模型。也就是说,这样的“网”,正如我们的大脑,可以并行处理多种庞杂的信息:比如,你可以同时思考今天午餐吃什么、晚上要去哪里见朋友、明天该穿什么衣服。并且,神经网络具备高运算速度、强联想能力、强适应性、强容错性和自组织能力等优势。正因如此,它被业界视为目前最简洁,却最强大、最灵活的信号处理算法之一。


而时空神经网络,作为神经网络的衍生,已被应用于交通车流、基站流量建模等方向。就比如,你出门时在手机地图APP上查看的实时交通情况,就用到了这样的技术。但在气象领域,尽管大众对天气预报的关注程度很高,时空神经网络相关的应用方法,却仍然较少。








"破题"这种算法,让预报更快、更精准



研究团队创新性地提出了一种可被运用到天气预报中的图卷积时空神经网络模型。该模型主要综合了三种思路,球面信号处理、图卷积神经网络和序列神经网络。其中,球面信号处理方法被用于改进已有图卷积神经网络(即上文所述的第一种、第二种思路综合)——负责捕获地球球面空间中局部区域间的关联模式(比如区域温度之间的传导关系强弱)。序列神经网络(即上文所提的第三种思路),则负责捕获气象系统在时间维度上的演化。


交通流量预测与气象流动在局部模式下的差异


由此,该模型可被应用在天气短时预报。文中的实验设置为:根据各类气象要素前12小时的信号,预测后12小时的情况,例如温度、云覆盖率、风速和风向等等。较之传统的天气预报方法,该方法提升了预测精准度(以温度为例,预测误差大约在一度左右),并且能够更快更高效地生成预测结果(因为计算量精简,计算代价降低)。


AAAI委员会评价,本文针对天气预报这一任务提出了新颖的网络架构,结合球面卷积、连续空域上的图卷积等信号处理技术,对气温、风速、湿度等物理量进行了高效高精度预测,通过充分的实验结果,证明了模型所取得的性能提升。同时,希望未来有更多的AI相关工作关注气候变化领域,推动这一全球议题的进展。


李子青说,他目前关注AI基础方法研究和AI驱动的学科交叉应用研究。他认为,天气和气候,作为一个时间-空间的复杂系统,其准确预测是一个挑战性难题,是理解并解决气候变化这一全球关注问题的一个重要基础。他的团队锁定了以下这些地球表面物理量的特殊性,作为气象信号(比如温度、湿度、风力等相关的信号)建模的突破点:地球表面为球面,因此气象信号的采样是在球面而不是平面上;气象信号在空间上是连续的,即在地球表面的任意一点,都存在需要预测的物理量;气象为全球性的结果,必须将全球信号纳入分析,无法完全根据局部地区去作推测;等等。


李凌展望了新模型在天气预报领域的应用,评价说:“由于天气系统自身的高度非线性、物理过程求解的数值误差和输入条件差异等原因,实现对复杂天气的精准预报是困难的。虽然大范围遥感监测的出现与数据同化技术的应用使得传统的天气预报有了质的飞跃,但是,如何提高天气数值预报在模型spin-up期间的短时预报准确度是目前气象领域急需攻克的、非常具有挑战性的研究课题。我们另辟蹊径,采用AI的方法,从数据驱动的角度来提高单个气象要素的预报准确度。高效率和高准确度的天气短时预报,有助于气象灾害下的水文响应研究,可为水灾害预警、水资源管理和政府应急决策提高重要科学依据。”


该课题是工学院李子青实验室与生命科学学院郭天南实验室合作开展的“AI+蛋白质”课题后(成果回顾:AI助力,西湖大学大幅度提高甲状腺结节良恶性辨别力在西湖大学开展的第二个“AI+”交叉研究。


在这次的“跨界”课题中,李凌实验室针对气象水文领域重大科学问题,确定气象研究的总体(近期和长远)研究目标,提出待解决的问题,说明课题意义,并提供研究所需的数据。李子青实验室基于自身在数据科学基础的学科优势和AI技术所长,结合地球气象气候时空数据的独特性,研究适合气象领域的AI方法,并建立神经网络预测模型。


根据研究团队介绍,本次研究来自两个实验室关于的“AI赋能气象水文研究”的一次讨论。因此,充分发挥彼此优势,探索AI跨学科合作研究模式,解决重要科学技术问题并取得科研产出,是这次合作研究的一个重要目的。








未来的工作展望

空间上的外推预测与非等间隔时间预测


接下来,李子青实验室和李凌实验室还将进一步深化这个交叉课题,让AI赋予我们“预见”天气气象更全能的“眼睛”。


首先,会尝试利用神经网络学习地球物理系统动力学的底层机制(即基本原理),基于气象观测站空间分布不均匀以及采样时间离散的观测数据,建立一个时间-空间连续的气象模型。这样,未来,我们只需要利用少量的空间观测数据,就能对全球的任意一个空间点未来的气象变化进行预测。比如,掌握了杭州与上海的多年温度信息后,我们拿这些数据“训练”算法模型。尽管模型从未见过苏州的这一新的空间点的历年温度模式,当输入苏州前12小时的温度信息后,模型仍然可以准确地预测出后12小时的温度——这意味着算法一旦“学会”了某类气象要素变化的物理机制后,就可由较少的已有信息,外推至其它任意一个地点的同类气象情况;甚至,还能帮我们预测极端天气,包括寒流、热浪、地震余震等。此外,两个兄弟实验室还针对降雨这一重要水文要素,开展了基于星载红外遥感监测和机器学习的降雨反演算法研究,该工作目前已有突破性进展。


从长远来看,他们最终希望,在拥有先进的遥感降雨算法之后,可以制作出一套在国际上有影响力的降雨产品,服务于大尺度范围特别是无资料区域和经济不发达地区的水文研究。


用AI来研究气候变化与水文过程的相互关系和作用,在这个思路下,数据驱动下的新算法或新模型给水文领域既有的难题带来了希望。“AI+气象水文”,这个创新组合将绽放出更多新颖的成果。





文末点个在看吧~

来源/李凌实验室、李子青实验室

编辑/徐  珊

校对/张  弛


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存