鞭牛士报道 3月23日，今天是世界气象日。从史前时期开始，人类一直都在通过预测天气来安排生产和生活，在现代科学技术支持下的天气预报，更是当下人们生活中不可或缺的一部分。正是为了展示各国气象和水文部门对社会安全和福祉的重要贡献，以及纪念《世界气象组织公约》的生效日，作为联合国15个专门机构之一的世界气象组织自1961年起，便将3月23日设立为世界气象日，并在每一年都确定不同的主题。今年，世界气象日的主题是“海洋，我们的气候和天气（The ocean, our climate and weather）”。

这一主题与我们所生活的这个时代正在经历的气候变化密切相关。在全球变暖的影响下，海洋温度持续升高，海水蒸发加快，大量水蒸气进入大气层，使得暴雨等极端天气更加频繁地出现。多数气候学家都认为，人类的活动极有可能是造成这一现象的主要原因，可以说，气候变化是我们在21世纪面临的最艰巨的挑战之一。

应对气候变化带来的诸多问题，气象和水文领域的科技进步是不可或缺的，我们需要更强大的监测预警能力，需要更加智能、高效和准确的预报系统，以更好地预知极端天气的发生并作出及时的响应。Google最近正在进行的两个项目就向我们展示了，AI技术的发展，如何为这一目标的实现带来了更多的可能性。

通过神经天气模型预测降水量

目前主流的天气预报系统依赖于根据大气科学原理运行的模型，在过去几十年内，这一方法得到了巨大的改进，不过它仍然有着明显的局限性，一方面，这些模型受到各种计算要求的限制，另一方面，物理规律的近似性对于它们的运行有着较大的影响。

在2020年发表的一篇论文中，Google AI的研究人员们提出了一项名为MetNet的新算法，基于深度神经网络（DNN）技术，这一算法可以在不利用物理规律的情况下，直接从气象数据中寻找模式，预测降水概率。Google表示，这一模型可以以1公里的分辨率，推断出某一区域在未来8小时范围内每相隔2分钟的降水概率，与美国国家海洋和大气管理局（NOAA）目前最先进的基于物理学的模型相比，它在及时性上可以提前7到8小时，在效率上，预测整个美国的情况也只需要几秒钟而非1个小时。

MetNet预测的降水情况与实地测量结果的比较

这一突破是如何实现的呢？为了让MetNet得出的结果更加准确，Google使用了详尽而全面的数据，包括由美国各个由多雷达/多传感器系统（MRMS）构成的地面雷达站得出的降水估计值，以及由NOAA的地球静止环境业务卫星系统基于覆盖全美的云图提供的测量值；此外，在以1公里的分辨率对整个美国范围内每个64公里x64公里的方块区域进行天气预测时，MetNet还会考虑云层和降水场在所预测时间段内所有可能的运动路线，因而在模型的实际运行过程中，需要计算的面积要多达数百倍。为了处理如此庞大的计算量，Google在模型中构建了一个空间下采样器（downsampler），通过降低输入数据的空间维度，减少模型处理数据时需要消耗的内存，让它变得更加高效。同时，在针对密集和平行计算进行优化后，模型非常适合在GPU和TPU等算力强大的专用硬件上运行，极大地缩短了进行预测所需要的时间。

利用AI完善洪水预警系统

气候变化导致的另一严重后果是洪涝灾害的多发，这既是因为极端天气更为频繁的出现使降水量增加，也因为海平面上升和热带气旋的增多。洪涝灾害的多发给生活在受影响地区内的居民带来了严重的威胁，2019年的数据显示，洪水每年在全球范围内造成6000到18000人死亡，造成210亿到330亿美元的经济损失。

及时、准确的灾害预警可以帮助当地政府和人民做好应对洪水的准备，保护生命和财产的安全。为了让洪水预警系统更加可靠，自2018年起，Google启动了名为Google Flood Forecasting Initiative的洪水预警项目，与各国政府部门（如印度中央水务委员会）展开合作，致力于利用AI和强大算力，打造更好的洪水预测模型。

去年9月，Google宣布，这一项目在预警提前时间、准确性和清晰度上都取得了重要的突破，覆盖范围也已经扩展到了印度和孟加拉国境内的2.5亿人口。现在，印度政府发出的每一条洪水警报，背后都有着Google提供的技术支持。

这些进步的实现主要得益于洪水预警模型的不断更新和完善。在洪水预警的第一步，水文模型可以根据降水量或者上游水位的测量值，预测出未来某个时间点河流的水位情况。Google更新了其洪水系统的水文模型，将发出洪水警报的时间提早了1倍，既能为政府提供更多的信息，也让人们有了额外的准备时间。此外，它在准确性上也有了极大的提升——在90%以上的时间里，进行水位预测的误差边界在15厘米以内。

接着，洪水预测模型需要根据河流水位的预测值，进一步预测洪泛区可能受到的影响。为了在扩大覆盖范围的同时，保证预测的精度，Google更新了模型采用的淹没建模方法。这种名为形态淹没模型（morphological inundation model）的新方法，将基于物理学的建模与机器学习技术相结合，以在真实世界环境（real-world settings）中创建更准确、扩展性更强的淹没模型。

这种新方法不再在根据卫星图像开发的高质量高程图（elevation maps）上实时模拟水流，而是计算修改高程图的形态，使用简单的物理原理进行淹没模拟。首先，Google训练了一个机器学习模型，可以根据河流上某一点河道水位计的水位值输出河流剖面图，即河流中所有点的水位。这一模型对现实情况进行了合理的简化，它假设如果河流某一点的水位值上升，整条河的水位都会上升，同时河道断面的绝对高程是向下游递减的，即河水向下游流动。

图中绿点即为Google的洪水预警系统确定的需要发出洪水警报的地区

然后，Google根据这一模型，结合启发法（heuristics）编辑高程图，以“抵消”某一区域被洪水淹没时的压力梯度（pressure gradient），根据新合成的高程图，可以使用简单的洪水填充算法（flood-fill algorithm）为洪水流动情况建模。Google表示，与传统的物理模型相比，这一方法将预报准确性提高了3%，同时有着更强的灵活性，更快的开发速度，可显著改善对大面积区域的预测结果。

在那些形态淹没模型尚未覆盖的区域，Google则是应用了一种基于机器学习的端到端方法，几乎只使用全球公开可用的数据，如流量计测量值、公共卫星图像和分辨率较低的高程图训练模型，直接、实时地推断出淹没图。虽然不如形态淹没模型精细，但与之前在这些地区应用的预警方法相比，这一方法同样有着更高的准确性。

Google的研究人员也会通过实地调研，进一步考察其洪水预警系统的准确性

此外，Google还在与红十字会与红新月会国际联合会合作，建立本地化的预警网络，以将预警信息能及时传达给那些不能使用智能手机的居民。在未来，这一系统有望在更多的国家和地区得到应用。

AI与气象和水文的结合正在成为这一领域内最热门的话题之一，相信在各国研究人员的不断努力下，AI技术能更在更多的方面更好地造福于人类。然而，应对气候变化绝不仅仅是专业人士、各个国际组织和各国政府的工作，我们每个人都可以从身边的小事做起，建立一种“可持续”的生活方式，减少人类活动给地球带来的伤害。