点击蓝字 关注我们
SUBSCRIBE to US
ISTOCK
This article is part of our exclusive IEEE Journal Watch series in partnership with IEEE Xplore.
气象卫星可以从轨道上追踪风暴的每一次移动。然而，目前分析卫星读数的算法并不像提供给地面雷达数据的算法那样估计降水量。现在，一项新的研究发现，人工智能可以大大提高基于卫星的预测。
准确估计一个地区的降雨量、降雪量和冰雹量对于完善天气预报、管理重要供水和调查气候变化非常重要。但该研究的合著者、科罗拉多州立大学柯林斯堡分校的遥感科学家Haonan Chen解释说，根据原始卫星数据开发准确的降水量预测“不是一项容易的任务”。卫星基本上是扫描云顶，而不是探测落在表面的东西。他说：“可以通过从云顶的测量中提取地表降水信息需要复杂的模型来弥补这一差距。”
在这项新的研究中，Chen和他的同事分析了美国国家海洋和大气管理局运营的地球静止运行环境卫星（GOES，Geostationary Operational Environmental Satellites，https://www.ncei.noaa.gov/products/satellite/goes-r）的数据。研究人员专注于GOES-R卫星，该卫星扫描来自地球的可见光和红外光。
“Combining the geostationary satellite data shared from other countries in Asia, we can potentially create a complete precipitation map covering the whole globe.”
—HAONAN CHEN, COLORADO STATE UNIVERSITY
研究人员使用人工神经网络的深度学习技术分析了GOES-R数据。在这些系统中，被称为“神经元”的组件被提供数据，并合作解决问题，例如识别图像。神经网络反复调整神经元之间的联系，看看由此产生的行为模式是否更善于找到解决方案。随着时间的推移，网络会发现哪些模式最适合计算结果。然后，它将这些作为默认值，模仿人脑中的学习过程。
神经网络随着学习而变化的方面，例如神经元之间连接的性质，被称为其参数。如果一个神经网络拥有多层神经元，它就被称为“深层”。
科学家们对一个包含130多万个参数的神经网络进行了实验。通过分析2018年5月至9月和2019年5月到9月美国西南部的GOES-R红外数据，训练它获得尽可能接近地面雷达估计的降水量。他们还调查了他们的系统在包含和不包含GOES-16闪电探测器数据时的表现。
Chen说：“多亏了近年来可用的GPU服务器，我们现在可以以一种相当有效的方式分析大量卫星数据并训练复杂的机器学习模型。”
当对2020年5月至9月的GOES-R数据进行测试时，研究人员发现，他们的人工智能系统在匹配地基雷达预估方面明显优于其他用于分析卫星数据的算法。他们还发现，当他们的人工智能模型结合了闪电数据时，事实证明它在估计强降水量方面比没有结合时准确得多。
尽管这项新研究的重点是美国东南部，但GOES-R卫星覆盖了西半球，“因此这项工作可以扩展到更大的领域，”Chen说，“事实上，结合亚洲其他国家共享的地球静止卫星数据，我们有可能创建一张覆盖全球的完整降水量地图。”这意味着，研究人员可以在缺乏地面天气雷达的地方受益于人工智能增强的降水量预测。
Chen说，未来的研究将集中在测试这些人工智能系统在分析其他地方的数据方面的泛化能力。他补充道，给人工智能模型更多的数据，比如关于风、湿度和当地地形特征的读数，可能会进一步提高预测水平。
他们面临的一个潜在障碍是如何处理复杂地形中常见的小规模降水变化。“不幸的是，卫星经常面临观测这种可变性的挑战，” Chen说。
9月8日，科学家们在《IEEE地球科学与遥感快报》杂志上（https://ieeexplore.ieee.org/document/10244061）详细介绍了他们的发现。
微信号｜IEEE电气电子工程师
新浪微博｜IEEE中国
 · IEEE电气电子工程师学会 · 
往
期
推
荐
AI部署：没你想得那么简单
前进中的5G：仍在兑现承诺
面对未来的AI：三大挑战
自动驾驶技术和空中出租车：未来出行方式的革新
继续阅读
阅读原文