| 2020年3月28日午後四時52分 |
鉛：Googleは積極的にグローバルな気象予測モデルを改善する方法を検討しています。
正確に根本的な科学的な課題である、それは社会の多くの側面に広範な影響を与える可能性があり、天気の数週間に、将来に数分を予測します。
現在、物理モデルに基づいた雰囲気の中で使用される多くの天気予報メカニズム。過去数十年で大幅な改善にもかかわらず、しかし、モデル自体は計算要件を制限されています。さらに、彼らは物理学の法則の近似値に非常に敏感です。
これらの制限を克服するための別の方法は、深いニューラルネットワーク（DNNS）の使用である予測しています。DNNSは、パラレルデータパターンで発見の強力な専用のハードウェア（例えば、GPUやTPU）を用いて計算し、所望の出力に対する入力の複合変換を学びます。
最近、降水予報の以前の研究に基づいて、Googleが沈殿のための神経天気予報のモデルであるMetNetを、提案しました。この解像度は、次の8時間2分かけ、沈殿DNN 1キロの時間間隔を予測することができます。MetNetは7-8時間進ん現在NOAAによって使用される最も先進的な物理ベースモデルよりも時間の予測しました。それは数秒以内に米国全土降雨を予測することができ、NOAAは時間がかかります。
手動タグ付けずに、レーダー基地と衛星ネットワークからネットワークを入力します。出力は、Googleが各地域および関連する不確実性のための析出速度を推測するためにそれを使用して、確率分布モデルです。下の図は、米国本土を予測するためのネットワークの例を提供します。
MetNetモデル予測結果をmultiradar NOAA /センサシステム（MRMS）を測定グランドトゥルース値と比較されます。MetNet 480分前に、モデル（上図）に示す2分から1時間沈殿あたり1ミリメートルの確率を予測MRMS（図の下に）データは、時間降雨当たり少なくとも1ミリメートルの受信同じ周期を示しますエリア。
神経気象モデル
MetNet天気が観測されたデータから直接予測し、バックプロパゲーションによって得られた大気力学の分野では、物理法則に依存しません。複数のレーダのネットワーク/センサシステム（MRMS）大気の雲から構成され、得られた測定の衛星システムのトップダウンビューからの沈殿の推定値を提供することによって、使用される地上レーダ。これら2つのデータソースは、米国本土をカバーし、画像ベースのネットワークを効率的に入力処理することができる提供されます。
実行ごとに64キロ* 64キロ一度モデルは、1キロの分解能で、米国全体をカバーしています。それが可能動き予測が雲と降水フィールド期間に行われる考慮しなければならないのでしかし、これらの出力領域に比べて、入力データの実際の物理的なカバレッジは、はるかに大きいです。
例えば、クラウドは時速60キロの速度で移動することを想定し、8時間前に雰囲気をキャプチャするために信頼性の高い予測、ダイナミックな時間を作るために、モデルが60×8 = 480キロのフル空間コンテキストが必要です。したがって、このレベルに到達するために、あなたは中央の64キロ* 64キロのパッチを予測する1024キロ*情報1024キロの領域にする必要があります。
入出力予測レーダ画像パッチ（64 * 64平方キロメートル）の衛星とレーダー画像（1024 * 1024平方キロメートル）を含みます
フル解像度での処理1024キロ* 1024キロの領域が大量のメモリを必要とするので、研究者は入力面シートの空間的寸法を低減することにより、メモリ消費量を低減するために、スペースサンプラーを使用します。同時に、検索および入力に関連する気象パターンを保持しています。ダウンサンプリング印加時間ディメンション時間エンコーダの入力データを、90分の入力データは、スナップショット、その後に沿って7、コード断片の長さは15分でした。時間エンコーダは、畳み込みLSTMは畳み込みLSTM画像シーケンスのために特に適している、達成しました。
次に、エンコーダの出力時間が空間が、懸念を使用して集合から軸方向に、アキュムレータ空間に転送される有効入力対象時刻の可変数に基づいて空間長距離データの依存性、およびコンテキストをキャプチャし、64キロのために* 64キロの出力を予測します。
このような構造の出力は、米国本土へ平方キロメートルあたりの降水量の推定確率を考えると、離散確率分布です。
神経構造モデルMetNet天気
結果
研究者MetNet降水量予測のベースラインの評価によると、結果は2つの、ベースラインと比較した。現在、米国で動作している物理的な気象予測モデルであるNOAAの高解像度の高速リフレッシュHRRRシステム、;沈殿フィールド動き推定（ 2時間未満では、性能が良い予測方法である時間である基準モデルのすなわち、オプティカルフロー）。
Googleの気象モデルの神経の重要な利点は、集中的な並列コンピューティングに最適化されていることで、よく（TPUなど）専用のハードウェア上で実行するために適しています。かどうかは米国全体のために、予測は、ニューヨーク市では、この特定の位置については秒単位で並列に実行することができます。そして、1時間程度のスーパーコンピュータ上で実行している時間を、このような物理モデルHRRRとして。
以下のチャートでは、研究者はMetNet、HRRRオプティカルフローとベースラインモデルとの性能差を定量化します。ここに示すF1沈殿率閾値を用いて3つのモデルで達成される性能、評価スコアが1.0ミリメートル/ H（雨に相当）です。MetNet神経気象モデルは、トラフィックに基づいて、常により良いモデルより8時間以内にNOAA-HRRRシステムを超えて、することができます。
F1を1.0mm / hの雨レート（より高い良い）での性能スコアを評価します。現在、先に8時間に米国で動作時間スケールの物理ベースモデル（HRRR）よりも神経気象モデル（MetNet）。
大気中のランダムに、将来の気象条件の不確実性は、時間の増加の拡張子を持つと予測しました。
MetNetは、予測時間の延長、ますます可視化に滑らかのパフォーマンスを予測する予測の不確実性を持つ確率モデル、です。その代わり、HRRR直接確率を予測するが、将来は降水予報の単一のケースになりません。下のグラフは、出力MetNet HRRRモデルとモデルを比較します。
真値にNOAA MRMS MetNetシステムから得られた出力との比較（上）及びHRRR（低級）接地（中）。注モデル予測のHRRRの構造が近い基本的な事実に思われることが、潜在的に深刻な障害が発生した構造を予測します。
MetNetモデルと比較すると、物理的なモデル予測HRRR明確に、より構造化。しかし、その構造、正確な時間及び位置予測構造の特に低い精度。これは、初期状況の不確実性、そして得られたモデルパラメータによるものです。
HRRR可能な結果の数から、潜在的な将来の単一の結果（赤）を予測する（左）、むしろMetNet（右）に直接将来の結果の確率分布の不確実性によって説明します。
HRRRとMetNetモデル間の研究者を比較した、興味を持ってできるオープンビデオの視聴：https://youtu.be/-dAvqroX7ZI
未来方向
Googleは積極的にグローバルな気象予測モデル、気候の大面積の精度で特に急速な変化を改善する方法を検討しています。上記のショーは、現在のモデルは米国本土をMetNetが、それは任意の領域に拡張することができますが、十分なレーダーと光学衛星データを持っています。提案された作品は、Googleが気象コミュニティと将来に協力したいと考え、この努力の小さな飛び石で大きな改善をもたらすことができます。
経由：https://ai.googleblog.com/2020/03/a-neural-weather-model-for-eight-hour.html
