準確預報天氣？看這里！| 沙龍分享

長沙7喜 2016-06-14

展開全文

本期嘉賓

苑明理

彩云天氣工程師

中文維基百科管理員

編者推薦

天氣預報錯報和誤報，人們早已司空見慣，次數多了，也就不足為奇。盡管公眾對于天氣預報準確性的容忍度極高，但在彩云天氣團隊看來，天氣預報的準確性還可以不斷提高。精確到分鐘的天氣預報？彩云天氣可以做到。

本期沙龍我們邀請了彩云天氣工程師苑明理為我們講述預報天氣的新視角：如何用精巧的算法預報天氣。

未來的天氣，算出來

用計算機看天氣

彩云天氣的故事要從北京師范大學的副教授張江老師說起，他在讀博期間發展了一個叫“集智俱樂部”的線下組織。在這個組織里，有各種各樣有意思、有想法的人，他們的靈感相互碰撞。

集智俱樂部最有意義的活動是它的讀書會。這其中有一個讀書會特別值得關注，它就是彩云天氣故事發生的緣起。（https://www.douban.com/event/19029525/ 豆瓣同城：腦與deep learning讀書會)

2013年，DeepLearning 剛剛火起來，讀書會便快速跟進。十幾個年輕人做了廣泛的探討。

在這個過程中，故事的主角袁行遠提出一個想法：是否可以把深度神經網絡的技術應用到天氣領域？

氣象愛好者通常會有一個愛好——自己看氣象雷達圖來判斷天氣情況，袁行遠就是這樣一個氣象愛好者。那時，袁行遠就想到——既然人能夠根據這些云圖判斷出天氣的變化，能否讓計算機也來做這件事情呢？

經過了無數的嘗試、失敗，最后袁行遠找到了一些技術上的方法。這些方法能夠順利地讓計算機推測出云的移動，并獲得天氣預報信息——這就成了彩云天氣的開始。

用AI重新解決傳統問題

如果你生活在海邊，可能會看到上圖這種壯觀的情景：水汽從海里蒸發，在上升過程中經過冷卻形成降雨。

傳統觀測降雨的技術手段是氣象雷達，我國目前部署了幾百臺這樣的氣象雷達。

氣象雷達觀測到的是一幀一幀的雷達圖

可以看到這幅圖中，黃色部分隨時間在逐漸移動，它反映的是降雨帶的移動。雷達圖的應用有幾種形式：一種是氣象預報員根據雷達圖的觀測進行人工判斷——降雨什么時候到達本地的城市；另一種就是把它送到超級計算機里面，并用稱為“模式”的數學模型來做一個更細致的天氣預報。

“模式”的原理示意圖

可以看到，整個地球被劃分成了很多網格，而每個網格上有大氣的若干狀態。它根據物理的方程來導算出下一步大氣演化過程，從而給出天氣預報。

這種方法需要巨大的計算資源，因而一般做數據天氣預報需要超級計算機。

所以，不論是氣象預報員根據雷達圖做出人工預報（這種預報無法更廣泛地送達給所有人），還是數值天氣預報（需要極其龐大的數據資源），這兩種方法都面臨著困難。

后來有人發展出一種簡化思路，即通過分析雷達圖的云的移動來預報天氣。但是，這種方法的準確率不夠高。在香港有這樣的預報系統，根據統計，它們的準確率只有70%左右。

彩云天氣則結合了雨云移動的物理學方法，同時把深度學習應用到云的生長和消散上，從而能給出一個準確的預報結果。

用獨特算法簡化問題

彩云天氣通過獨特的算法來預報天氣，這個算法是把三維的問題降為二維，可以大大降低計算量。

這個圖里雨的形成過程在三維空間中展開，風把蒸汽往上空帶，在上升過程中冷卻形成降水。而凡是用數值天氣預報求解的思路基本都是模擬三維環境，這個計算量就非常大，這個計算就需要超級計算機來做。

如果仔細觀察上圖雷達圖的變化，你會發現降雨的移動完全是可以簡化到二維空間上來進行的。此時，我們只要單純地估計二維空間上的圓是如何移動的，就能預報某一個地方某一時間段的天氣。

這個方法已經有人嘗試了，但是他們沒有把這個預報準確率做的特別高。而我們的特色就在于把深度學習的技術和這個思路結合起來，最后就能很好的解決傳統方法解決不了的問題，而且計算量還能保持較小，這就是我們獨特的地方。

總結來說的話有兩點，一個是把問題從三維簡化到二維，第二是一個精巧的算法。

人人都是氣象站

以上是兩幅很有意思的圖，一幅是幾十年前大家在火車上看報紙，另一幅則是人們在地鐵上看手機。

那么，不同的媒體形式會對天氣預報有影響嗎？

上圖是傳統的天氣預報員在電視上講解天氣變化的過程。可以看到，他是通過中心的媒介傳遞給大眾。因此，他的內容只能傳遞同一份信息——也就是說，他提供的天氣預報只能是一個城市而不是一個精確的地點；同時，時間上也是靜態的，可能只是一天的整體趨勢。

如今我們生活在智能手機普及的時代，每一部手機都可以隨時精確地記錄你所在的位置，并發送相關信息給服務商。這樣，服務商就有可能做出一個完全個性化的天氣預報了。

除了個性化的天氣預報，用戶還能體驗到一定的交互功能。通過手機，用戶可以把本地的天氣實況回報給廠商，于是廠商（比如彩云天氣）就能在這個基礎上來修正，從而預報更精準的天氣信息。

手機相當于一個“小氣象站”，收集了大量的個性化數據。它收集的數據不是個性的數據，是一個共享的環境數據，我們對它的處理是將這些不規則格點的數據，想辦法整理到規則格點上，成為我們整體后臺計算的一部分。

除了手機這個小小“氣象站”，我們還有很多經驗可以分享，例如，我們處理全國幾百臺雷達站的數據，其中每一臺要六分鐘更新一次數據，然后一天處理的雷達圖數據量是幾十G，所有這些要在六分鐘之內順暢地完成，要求非常高。從方法上來說，除了提高每一步的單個數據處理模塊的響應速度之外，我們還通過引入一個中間節點，來簡化數據流的復雜性。

上圖中密密麻麻的圖標就是彩云天氣用戶給的實際天氣回報。

同時，因為每一部手機有傳感器在其中，所以它可以感知到外界的某些氣象數據。比如iPhone就可以感知到用戶周圍的氣壓。彩云天氣現在在做的一件事情，就是收集iPhone用戶的氣壓數據。

所有這些能力，綜合起來把彩云天氣團隊引向了一個更大的可能——機器智能、人類智能和環境之交融。

優酷視頻《Google DeepMind's Deep Q-learning playing Atari Breakout》（http://v.youku.com/v_show/id_XMTUxODU2NjY5Ng==.html）展示的是Google deep mind發明的re-enforcement learning的一種算法。運用這種算法的機器可以自動跟游戲交互而學會怎樣更好地打游戲。

剛開始的時候電腦不太會玩這個游戲，然后逐漸學會了一些技巧，開始像一個人在打。最有意思的是它在若干輪的學習之后，發現了一個技巧——它可以把球打到空間的上方，然后讓它不斷地反彈，這樣就能不斷地得分，可以快速地把這個游戲的得分提升上去，整個學習過程都是機器自己完成的——這是最讓人興奮的地方。

彩云天氣團隊在天氣領域也有一個類似的構想，就是利用人們的反饋，天氣觀測數據的彼此對照，作為一個輸入，讓算法自己不斷地改進自己，從而不斷提高天氣預報的準確性。

具體到工程的實現上，可能需要很多前期的工作一步步完成，包括很大的開發工程，我們會在接下來的幾年中不斷優化并實現這樣一個想法。

特別感謝會議助理：杜雪

編輯：宋文博

運營：李卓然

策劃：王瓊劉真