Precipitation nowcasting of satellite data using physically-aligned neural networks

想象一下，试图预测一场突如其来的剧烈风暴将在哪里袭击。几十年来，实现这一目标的最佳方法是使用一种巨大的、高科技的雷达，它就像一把超强力的手电筒，扫描天空以实时观测雨滴。但问题在于：这些雷达昂贵、笨重，且需要完美的维护。在世界许多地方——比如偏远的山区或发展中的城市——这个“手电筒”完全损坏或根本不存在。没有了它，人们只能在洪水或山体滑坡来袭时靠猜测度日。

“临近预报”（Nowcasting）的世界应运而生，这只是一个高级词汇，指的是对极短时间内（通常是几分钟到六小时内）的天气进行预测。虽然计算机在利用复杂的物理方程进行天气预测方面已经变得非常出色，但它们在处理突发降雨中那些混乱的短期细节时往往显得力不从心。最近，科学家开始使用人工智能（AI）来学习雷达图像，教计算机识别模式并猜测下一场雨将往哪里移动。然而，这些 AI 模型通常仍需要同样的昂贵雷达数据来进行学习，这使得缺乏雷达覆盖的地区被遗留在后。此外，这些 AI “黑箱”做出的预测看起来还可以，但实际上并不符合物理定律，这让气象学家感到不安，不敢轻易信任它们。

这篇论文介绍了一种名为 TUPANN（可迁移且通用的物理对齐临近预报网络）的新型解决方案。TUPANN 不需要雷达，它通过仅使用天气卫星图像来学习预测降雨，而卫星可以观测全球。研究人员构建了这个“物理对齐”的 AI，这意味着他们强制要求它学习雨水实际是如何移动的，而不是仅仅进行猜测。他们在四个截然不同的地点测试了它：热带雨林马瑙斯（Manaus）、高海拔城市拉巴斯（La Paz）、沿海城市里约热内卢（Rio de Janeiro）以及迈阿密（Miami）。结果表明，即使从未见过雷达图像，TUPANN 也能像最先进的基于雷达的模型一样，甚至有时比它们更好地预测强降雨。这表明，我们终于可以仅凭卫星照片和智能的、具备物理感知能力的 AI，就能为那些一直处于黑暗中的地区提供准确的短期风暴预警。

卫星侦探与物理规则手册

把天空想象成一部巨大的、流动的电影。当降雨时，云层和雨滴并不会凭空出现；它们会漂移、旋转并改变强度，遵循着风和物理学的隐形规则。试图预测这部“电影”的传统 AI 模型通常只是观察最后几帧画面并猜测接下来的场景。它们可能会掌握大体思路，但往往会错过降雨移动的具体方向或加速的速度。这就像是在不理解剧情或镜头运动的情况下，仅仅通过观察演员的面部表情来猜测电影的下一幕。

本文作者意识到，要做出真正的优秀预测，AI 需要理解风暴的“故事”，而不只是图片。他们创建了 TUPANN，它像一名侦探，将风暴分解为三个具体的线索：

1. 运动（The Motion）： 雨在往哪里移动？（就像追踪高速公路上的汽车）。
2. 强度（The Intensity）： 雨下得有多大？（是毛毛雨还是倾盆大雨？）。
3. 未来（The Future）： 在 10 分钟、30 分钟或 180 分钟后，那场移动着的、剧烈的降雨会在哪里？

为了教会 AI “运动”这个线索，研究人员并没有让它盲目猜测。他们给了它一本基于真实物理学的“规则手册”。他们使用了一个标准的数学工具——光流法（optical flow）（这是一种计算机视觉技巧，用于测量两张照片之间像素的移动），向 AI 展示过去雨水是如何移动的。AI 必须如此精确地预测这种运动，使其与规则手册相匹配。这就是他们所说的“物理对齐”。这就像教学生开车，不是让他们漫无目的地乱撞，而是先让他们遵循严格的地图和限速规定，这样他们在尝试赛车之前，就能先学会交通规则。

TUPANN 如何运作：三步舞步

该模型就像一场由三名选手组成的接力赛，每人各司其职：

1. 解码器（观察者）： 首先，AI 查看一系列最近的卫星图像。它使用一种特殊的“变分编码器-解码器”来确定运动场和强度场。想象一下，一位侦探正在观察一系列风暴照片，并画出箭头来展示雨水正往哪里去以及强度如何。因为研究人员强制要求 AI 匹配“光流”规则手册，所以这些箭头是平滑且真实的，而不是摇摆或怪异的。
2. Transformer（时间旅行者）： 接着，AI 获取这些箭头，并使用一个 “MaxViT” Transformer 来预测风暴随时间演变的过程。这个部分很特别，因为它能够观察当前状态并说明：“好吧，如果现在的雨是这样移动的，那么 10 分钟、30 分钟甚至 3 小时后它会在哪里。” 与那些必须一步步进行猜测（这会导致混乱且缓慢）的旧模型不同，这个模型可以一次性跳跃到未来的任何时间点。
3. 平流算子（投影仪）： 最后，AI 获取它预测的雨水“应该”在的位置，并使用一个“可微平流算子（differentiable advection operator）”来实际绘制出未来的图像。这就像是拿着当前拍摄的降雨照片，沿着 AI 预测的箭头进行滑动，并加入新的强度变化，从而创造出一张全新的、未来的卫星图像。

大考：它能应对现实世界吗？

研究人员不仅在计算机实验室里测试，还将它投入到了现实世界中。他们在来自 GOES-16（一台观测美洲的卫星）和 IMERG（一个全球卫星数据集）的数据上训练并测试了 TUPANN。他们选择了四个具有完全不同天气特征的城市：

• 里约热内卢： 沿海热带地区，伴有强降雨和洪水。
• 马瑙斯： 位于亚马逊雨林深处，那里几乎持续降雨。
• 拉巴斯： 位于安第斯山脉高处，风暴受高度驱动。
• 迈阿密： 副热带地区，受海风和雷暴影响。

他们使用两个主要指标来衡量模型的成功：CSI（临界成功指数），用于检查模型是否准确找到了实际发生的降雨；以及 HSS（海德克技能得分），用于将模型的技能与随机猜测进行对比。他们测试了从轻微细雨（4 mm/h）到极端暴雨（64 mm/h）的不同降雨率，以及从 10 分钟到 3 小时（180 分钟）的不同时间段。

结果：更聪明、更快、更可靠

研究结果令人印象深刻。TUPANN 在几乎所有城市和降雨强度下，都表现得最为出色或位列第二。

• 强降雨英雄： 该模型在预测强降雨（32 mm/h 和 64 mm/h）时表现尤为突出。当其他模型难以预测最危险的风暴时，TUPANN 依然保持冷静。例如，在里约热内卢，针对 64 mm/h 的阈值（最高降雨率），TUPANN 取得了 0.090 的 POOL4 CSI 分数，击败了排名第二的 NowcastNet（其分数为 0.074）。（注：POOL4 分数是对 4x4 像素小块内的预测进行聚合，是衡量强降雨检测能力的稳健指标）。
• 物理学的回报： “物理对齐”的方法奏效了。TUPANN 生成的运动场（显示降雨方向的箭头）是平滑且符合真实物理规律的，而其他 AI 模型产生的则是杂乱、不真实的模式。这使得预测结果对气象学家来说更加值得信赖。
• 一个模型，多种气候： 研究人员测试了是否可以同时用这四个城市的数据来训练一个模型。他们发现，这种“多城市”版本实际上比为每个城市单独训练模型的效果更好。这表明 AI 学到了适用于各地的关于风暴运作的一般性规则，而不仅仅局限于某个特定地点。
• 跨城市魔力： 即使他们仅在里约热内卢进行训练并在迈阿密进行测试，模型的表现依然出奇地好，尤其是在预测强降雨方面。这表明该模型具有“可迁移性”——它可以吸收在一个地方学到的知识并将其应用到另一个地方，这对于那些缺乏多年本地数据进行训练的地区来说意义重大。

它不是什么（以及下一步是什么）

需要注意的是，本文并未声称 TUPANN 是一个能完美预测天气一辈子的“魔杖”。论文承认，随着预测时间向未来推移（超过 2 小时），准确度自然会下降，这对所有天气模型来说都是事实。此外，该模型依赖于覆盖美洲的 GOES-16 卫星；若要在亚洲或欧洲运行，则需要使用不同的卫星（如 Himawari 或 Meteosat）进行重新训练。

研究人员还测试了添加 “GAN”（生成对抗网络）以使图像看起来更清晰、更细腻的效果。虽然这确实让图片看起来更锐利了，但并不总是能提高实际的预测得分。在某些情况下，它甚至让得分略微下降。这表明，让图像看起来“漂亮”并不如确保物理规律正确那么重要。

为什么这很重要

这篇论文最令人兴奋的部分在于天气预报公平性的潜力。目前，如果你生活在一个没有雷达网络的地区，你可能无法在闪电洪水来袭前得到预警。TUPANN 表明，只要头顶上有卫星，我们就可以构建一个适用于全球任何地方的系统。由于该模型运行速度很快（生成一次预测不到两秒），并且可以在相对普通的计算机硬件上运行，因此它可以实时部署，帮助像里约热内卢那样的机构做好防灾准备。

通过将人工智能的力量与物理法则相结合，作者们暗示，我们正在迈向一个更美好的未来：精准的短期风暴预警将不再是少数幸运儿的特权，而是每个人都能享有的资源。这是朝着一个让全球都能打开天气预测“手电筒”的世界迈出的重要一步。