傳統預報需6小時運算
在進行天氣預報之前，氣象單位會透過許多儀器、設備觀測多項指標數據，例如使用都普勒雷達測量降雨、氣象衛星提供多光譜影像（Multispectral Image），地面觀測站也會測量風向、雨量等。然而數據的測量還是會受地理環境限制，例如雷達站的地點與能提供的覆蓋範圍，還有某些區域的地型可能會影響雷達、衛星訊號，造成預報的困難。
以美國的天氣預報為例，國家海洋與大氣管理局（National Oceanic and Atmospheric Administration，NOAA）所收集的相關數據資料量約為每天100 TB，並透過超級電腦的大型天氣預報程式提供未來10天的全球天氣預報。
由於這個程式以物理模擬為基礎，除了導入大氣動力學（Atmospheric Dynamics）運算之外，並會考慮植被、湖泊、海洋、熱輻射等效應，不但單次預報可能要花費6個小時的時間進行運算，也只能將預測範圍切分為5 x 5公里區域。
10分鐘內完成AI解讀預報
先前Google研究團隊在透過機器學習判讀雷達圖像進行天氣即時預報論文（Machine Learning for Precipitation Nowcasting from Radar Images，PDF）中提到，他們可以在機器學習的協助下，排除物理模擬的運作方式，單純利用人工智慧分析雷達圖像並作出預測，除了能將預測範圍縮小至1 x 1公里區域外，時間區間也能細切為1小時，更棒的是在訓練好的人工智慧模型下進行推論（Inference）時的運算需求並不高，大約只需5至10分鐘就能完成運算。
由於這樣的作法不考慮各種物理因素，只是單純分析雷達的圖像，因此可以將問題當作電腦視覺（Computer vision）來處理，這就是AI運算的強項了。Google的研究人員將天氣預報視為圖像到圖像的轉換問題，以卷積神經網絡技術（Convolutional Neural Network，CNN）來處理。
CNN通常由多層處理列組成，每層會將輸入的圖像透過卷積濾鏡（Convolutional Filter）轉換為新圖像輸出，其中可能會改變圖像解析度，或是進行檢測邊緣、辨識有意義的圖案等等。為了增加運算效率，研究人員也導入U-Net CNN，它會在處理圖像過程中迭代降低通過U-Net的圖像解析度，並再處理完成後再擴展回較高的解析度。
在訓練的過程中，研究人員採用2017年至2019年期間的美國大陸氣象觀測數據，並以4週為區間切分多段，每段的前3週用於訓練模型，第4週則用於評估成果。
這種方式所進行的天氣預報具有一定精準度，與實際情況相當接近，但是到當預測的時間超過6小時之後，結果的準確度就被NOAA的高解析度快速更新（High Resolution Rapid Refresh，HRRR）預測方式超越。
使用人工智慧進行預測最大的優點，就是可以即時得到結果，不像HRRR需要等待1至3小時的運算時間，然而因為影響天氣的因素相當多，很難單從2D圖像推測，因此人工智慧適合用於短期的即時預報（Nowcast），而HRRR等大型數值模型則能更精準做出長期預報（Forecast），研究人員也期望可以結合2種不同技術，達到更理想的預測成果。
加入電腦王Facebook粉絲團