如果天气预报说明天25%的天空被云层覆盖，那么你能判断明天的天气吗?恐怕很难。或许这25%的云会聚集在一起，带来一场倾盆大雨，或许它们只是天空中许多可爱的散碎云朵，在阳光明媚的日子里增加你的喜悦。要从云层预测天气，我们需要了解更多信息。

巴德和迪瓦恩都是一个名为“深度学习中的数学”的研究组的成员，他们主要探索机器学习的一系列潜在应用以及它背后的数学。他们指导研究生科沃德与英国气象局合作了一个项目，内容是测试机器学习能否提供关于云层的更多信息。

(资料图片)

这些卷云的总表面积大于相同体积的云球的表面积。图片：法马丁

对于这样一个测试，我们首先要做的是确定想要机器算法学习关于云的哪些信息。科沃德基于几何学的结果给出了一个答案：在云量相同的情况下，云全部聚集在一起时整个云团的表面积往往比它被分成许多小云时要小。

因此，整个云团的表面积，也称为云周界，是一个很好的指标，来反映网格框中有什么样的云——大积云或纤细的卷云。它也是一个有用的参数，用于改进其他参数化过程和算法，例如预测辐射穿过云层传输的算法。

问题是机器学习算法能否根据分配给整个网格框的数字来估计单个网格框内的云周界。“这是科沃德项目的目标：根据一系列环境因素对云周界的估计进行机器学习。” 迪瓦恩说。

为了训练算法，科沃德使用了在美国俄克拉荷马州记录的云的数据集。“他们在的空间内设置了一堆摄像头，“迪瓦恩解释道，“摄像机可以在一米大小的网格尺度上读取是否有云存在。”在三年的时间里，每20秒就会记录一次云层，利用这些数据，机器学习算法产生了科沃德所说的“对云生命周期的完全独特的见解”。

科沃德利用这些数据来训练两种机器学习算法。对它们进行训练之后，他将算法预测的云周界与摄像机记录下的云周界进行了比较。

两种算法中较好的一个误差为16%。虽然不是零，但也不是很大。事实上，在不使用机器学习的情况下，最好的参数化云周界的方法也有接近24%的误差。因此，在这种情况下，机器学习的精度比非机器学习高出三分之一以上。

概念的证明

科沃德的项目是测试机器学习能否用于天气预报的一系列初步尝试之一。“机器学习对于该领域的人们来说是一种非常新的方法，” 迪瓦恩说，“我们现在处于起步阶段，大部分内容都是实验性的，人们正在尝试不同的东西，试图提出新技术，看看它们的表现如何。”

人们希望机器学习最终不仅可以计算云层，也可以计算天气模型中的其他现象。如果这个方法成功了，人工智能最终应用到天气预报的APP中，到时候你会知道这个好消息的。

关键词：