AI 將衛(wèi)星數據轉化成 3D 水汽地圖，把模糊的圖像快照變成風暴監(jiān)測細節(jié)。

一個多世紀以來，氣象學家們一直在用手工演算、方程式來追蹤風暴，如今則用上了超級計算機。然而，盡管技術不斷進步，氣象學家仍在一個看似簡單的因素上屢屢受挫，那就是水汽。

濕度是雷暴、暴洪和颶風的無形“燃料”。它決定了一場雨是匆匆而過的小雨，還是能讓你飛奔著尋找遮蔽處的夏季傾盆大雨。而迄今為止，衛(wèi)星始終難以捕捉到足夠詳細的濕度數據，無法在天色驟變之前向我們發(fā)出預警。

來自弗羅茨瓦夫環(huán)境與生命科學大學（UPWr）的一個團隊或許能改變這一現狀。在本月發(fā)表于《衛(wèi)星導航》期刊的一篇論文中，研究人員介紹了深度學習如何將基于全球導航衛(wèi)星系統(tǒng)（GNSS）的模糊大氣快照轉化為清晰的 3D 濕度地圖，從而揭示出影響局部天氣狀況的隱藏漩渦。

其秘訣是超分辨率生成對抗網絡（SRGAN），這種 AI 技術最廣為人知的用途是讓粗糙的照片變得清晰。研究人員并未以名人或風景作為訓練對象，而是用全球氣象數據訓練該網絡，并借助了 NVIDIA GPU 的強大算力。最終，來自導航衛(wèi)星的低分辨率觀測數據被“升級”為高分辨率濕度地圖，誤差大幅減少。

在波蘭，這種技術將誤差降低到了原來的 62%；在美國加利福尼亞州，即便在最容易出現預報偏差的雨天，誤差也減少了 52%。與以往那些會把細節(jié)模糊成水彩畫般效果的方法相比，這種 AI 技術能生成清晰的梯度信息，與地面儀器觀測到的結果完全吻合。

而且，由于天氣預報既關乎準確性又關乎可信度，該團隊還加入了一個創(chuàng)新點：可解釋 AI。他們利用 Grad-CAM 和 SHAP 等可視化工具，展示了該模型在做決策時“關注”的區(qū)域。令人安心的是，AI 的“目光”落在了易發(fā)生風暴的區(qū)域（波蘭的西部邊境、美國加州沿海山脈），這些地方正是預報員們所熟知的大氣容易變得惡劣的地方。

該論文的主要作者、UPWr 的助理教授 Saeid Haji-Aghajany 表示：“在預測那些會擾亂人們生活的天氣時，高分辨率、可靠的濕度數據是目前缺失的一個環(huán)節(jié)。我們的方法不僅提高了 GNSS 層析成像的清晰度，還向我們展示了模型如何做出決策。隨著 AI 進入天氣預報領域，這種透明度對于建立信任至關重要?！?/p>

這個方法的潛在影響是巨大的。將這些更清晰的濕度場輸入基于物理或 AI 驅動的天氣模型之后，天氣模型就能在突發(fā)暴雨或暴洪前進行預報。在天氣驟變的地區(qū)，人們就可以有足夠的時間做好準備。

而這一切都取決于一個常常被忽視的因素：不是雷聲，不是閃電，而是濕度。