瑞士研究职员建造的人工智能系统能够在19英里范围内以80%的准确率预测雷击。

作者在最近揭橥在《景象与大气科学》杂志上的一篇新论文中写道：我们已经利用机器学习技能，通过不雅观察气候参数的单站点不雅观测，成功地将附近和远处的雷电磨难进行了预测。

研究职员利用过去雷击的数据建立了一种算法，可以对新的雷击进行预测，这一过程称为后推法，与预测相反。
将过去的雷击事宜输入到模型中，得以查看输出的结果与已知结果的匹配程度。

该小组研究了四个常日会导致闪电的景象变量:站内气压、气温、相对湿度和风速。
这些数据来自2006年至2017年间12个瑞士城市和山区气候站。
经由一个学习阶段，听说该模型80%的韶光都做出了精确的预测。

发明这项技能的博士生穆斯塔加比（Amirhossein Mostajabi）说，这一结果很随意马虎在其他地方复制。
现在常用的系统速率慢且非常繁芜，须要通过雷达或卫星获取昂贵的外部数据。
但是我们的方法利用可以从任何气候站得到数据，这意味着我们可以覆盖雷达和卫星范围之外的偏远地区，以及通信网络不可用的地方。

人工智能有望改进整体的景象预报

人工智能有望改进整体的景象预报

人工智能可能是改进整体景象预报的关键。
据《地球与空间科学***》宣布，美国国家海洋与大气管理局(NOAA)和其他地方的研究职员预测，机器学习和其他人工智能技能将能够补充或取代运行中的景象预报系统。
近年来机器学习的快速发展可以使遥感和数值景象预报（NWP）系统更加完善。

近年来，不雅观测，特殊是卫星不雅观测的数量、多样性和能力都有了显著的提高。
结合人工智能改进景象预报的基本哀求包括：

高效智能的旗子暗记和图像处理质量掌握机制模式识别数据领悟(结合不同的不雅观察流)数据同化映射(函数逼近)预测能力

要运用于不同的地球物理领域，包括大气、海洋、生物圈、水圈（指由地球表层水体所构成的连续圈层）和近空间环境，所有的哀求都须要得到知足。

开拓这些新资源须要效率和准确性更高的新方法。
基于高等神经网络的演习式机器学习系统是一种高效且易于用当代科学编程措辞实现的系统。

美国国家海洋和大气局(NOAA)的几个别系供应了大量的卫星数据。
作为NOAA联合极地卫星系统(JPSS)的一部分，卫星在距地球约500英里(805公里)的轨道上运行。
它们每天环绕地球从一个极点到另一个极点运行多达14次。
根据《有趣工程》杂志的一篇宣布，地球的每一个部分每天都会被监测两次。
这供应了非常高分辨率的关于地球全体大气(包括云和海洋)的海量数据集。
理论上，气候学家将能够利用这些信息来预测长期的景象情形。

飓风迈克尔在2018年10月10日早上靠近佛罗里达狭长地带

图 / 飓风迈克尔在2018年10月10日早上（17:30上岸前的4.5小时）靠近佛罗里达狭长地带，在这张照片中，美国国家海洋和大气局(NOAA)的地球同步运行环境卫星(GOES)16号每分钟以大约1公里的分辨率拍摄地球通盘和感兴趣区域。
这只是当前数据流压倒传统预测系统的一个例子，将来机器学习更会增加这些数据的代价。

在深空，由NOAA的深空景象不雅观测站(DSCOVR)运行的卫星环抱地球100万英里(1,609,344公里)。
这些卫星供应空间景象警报和预报，监测地球每天接管的太阳能，并记录地球大气中臭氧和气溶胶水平的信息。

景象预报也是一学买卖

现今，全天下的各大商业公司也加大了对景象预报的投入。
IBM最近收购了The Weather Company，并将其数据与IBM的Watson平台结合在一起。
这导致了IBM Deep Thunder的发展，该公司可以为客户供应分辨率为0.2到1.2英里的超本地景象预报。

作者：AI聪慧