2021年气象领域最佳的AI paper会是哪篇？

Paper：

https://www.nature.com/articles/s41586-021-03854-z

Code：

https://github.com/deepmind/deepmind-research/tree/master/nowcasting

Ravuri, S., Lenc, K., Willson, M. et al. Skilful precipitation nowcasting using deep generative models of radar. Nature 597, 672–677 (2021). https://doi.org/10.1038/s41586-021-03854-z

今年马上就要翻篇了，在Reddit上有一个帖子是关于2021年最佳的ML(Machine Learning)文章，作者Louis Bouchard 写了一篇文章《2021: A Year Full of Amazing AI papers - A Review》来梳理和回顾了不同领域在2021年涌现出来的超棒AI文章，包括，视频、学术文章、Code都详细的整理了。

其中，有一篇是气象领域的文章入选，好像是唯一的一篇气象场景的文章，那就是在Nature发表的《Skilful precipitation nowcasting using deep generative models of radar》。摘要内容如下：降水临近预报，即对两小时前降水的高分辨率预报，支持了依赖于天气决策的许多部门的现实社会经济需求。最先进的业务临近预报方法通常利用基于雷达的风估计来改进降水场，并努力捕捉重要的非线性事件，如对流初始值。最近引入的深度学习方法使用雷达直接预测未来的降雨率，不受物理约束。虽然它们准确地预测了低强度降雨，但它们的业务效用有限，因为它们缺乏制约因素，导致提前时间较长时出现模糊的临近预报，在较少见的中到大雨事件中表现不佳。在这里，我们为雷达对降水的概率临近预报提供了一个深入的生成模型，以解决这些挑战。通过统计分析、经济分析和认知分析表明，该方法提高了预测质量、预测一致性和预测值。我们的模型在1,536公里 × 1,280公里的范围内产生了现实的和时间上一致的预测，提前5-90分钟完成。通过50多位专家气象学家的系统评估，我们发现，在89% 的反对两种竞争方法的案例中，我们的生成模型气象学方法的准确性和实用性位居第一。当定量验证时，这些临时预报不需要模糊就很有技巧。我们表明，生成式临近预报可以提供概率预测，提高预报价值和支持业务效用，而且是在其他方法难以企及的分辨率和提前时间。

你觉得这篇会是气象AI最佳的文章吗？

文章的视频解读 http://mpvideo.qpic.cn/0bc3diaaaaaayuaio3ojpzqvagwdaanaaaaa.f10002.mp4?dis_k=6d0a1701a54f106c8f888267caec5ffa&dis_t=1640679647&vid=wxv_2197902544922787846&format_id=10002&support_redirect=0&mmversion=false

更多详细解读：

https://www.louisbouchard.ai/deepmind-rain-nowcasting/

“A challenging event in April 2019 over the UK (Target is the observed radar). Our generative approach (DGMR) captures the circulation, intensity and structure better than an advection approach (PySTEPS), and more accurately predicts rainfall and motion in the northeast. DGMR also generates sharp predictions, unlike deterministic deep learning methods (UNet)”.

The architecture of the generator of a GAN network.

“Past 20 mins of observed radar are used to provide probabilistic predictions for the next 90 mins using a Deep Generative Model of Rain (DGMR).” Image from DeepMind’s blog post.

A heavy precipitation event in April 2019 over the eastern US (Target is the observed radar). The generative approach DGMR balances intensity and extent of precipitation compared to an advection approach (PySTEPS), the intensities of which are often too high, and does not blur like deterministic deep learning methods (UNet). Image from DeepMind’s blog post.

DeepMind’s generator training architecture. Image from Ravuri et al., (2021), DeepMind.

Results example on different models. Image from Ravuri et al., (2021), DeepMind.

References

• Ravuri, S., Lenc, K., Willson, M., Kangin, D., Lam, R., Mirowski, P., Fitzsimons, M., Athanassiadou, M., Kashem, S., Madge, S. and Prudden, R., 2021. Skillful Precipitation Nowcasting using Deep Generative Models of Radar, https://www.nature.com/articles/s41586-021-03854-z
• Colab Notebook: https://github.com/deepmind/deepmind-research/tree/master/nowcasting
• https://www.louisbouchard.ai/deepmind-rain-nowcasting/
• https://www.reddit.com/r/MachineLearning/comments/rovtz1/research_looking_for_interesting_ml_papers_to/

声明：欢迎转载、转发本号原创内容，可留言区留言或者后台联系小编进行授权。