莱斯大学的工程师开发了一个深度学习计算机系统，可以自动准确地预测热浪等极端天气事件，并可以提前五天使用关于当前天气状况的最少信息。

具有讽刺意味的是，赖斯的自学习“胶囊神经网络”使用了一种模拟天气预报的方法，而计算机在20世纪50年代已经过时。在训练过程中，它会检查数百对地图。每张地图显示了5公里高度的表面温度和气压，每对地图显示了相隔几天的情况。这些训练包括极端天气场景——。漫长的冷热天气会导致致命的热浪和冬季风暴。一旦经过训练，该系统可以查看从未见过的地图，并以85%的准确率预测5天的极端天气。

美国地球物理联盟在本周的《地球系统建模进展》中发表了一项关于该系统的在线研究，该研究的合著者Rice Pedram Hassanzadeh说，随着进一步的发展，该系统可以用作天气预报和预警系统，并作为一种工具来了解导致极端天气的更多大气条件。

自20世纪50年代计算机数值天气预报(NWP)出现以来，每日天气预报的准确性稳步提高。然而，即使有了改进的大气数值模型和更强大的计算机，NWP也无法可靠地预测极端事件，例如2003年法国和2010年俄罗斯的致命热浪。

莱斯大学地球、环境和行星科学系机械工程助理教授Hassanzadeh说：“我们可能需要更快的超级计算机来求解更高分辨率的数值天气预报模型的控制方程。“然而，由于我们没有完全了解极端天气模型的物理和前兆条件，这些方程可能并不完全准确，无论我们投入多少计算能力，它们都不会产生更好的预测。”

2017年底，哈桑扎德(Hassan Zade)和该研究报告的合著者、研究生阿什什查托帕德哈耶(Ashesh Chattopadhyay)和易卜拉欣纳比扎德(Ebrahim Nabizadeh)决定采用不同的方法。

哈桑扎德说：“当你遇到这些热浪或寒潮时，如果你看天气图，你会经常在急流中看到一些奇怪的现象，比如大浪或根本不动的大型高压系统。”“这似乎是一个模式识别问题。因此，我们决定将极端天气预报重新定义为模式识别问题，而不是数值问题。”

深度学习是人工智能的一种形式，在这种形式中，计算机被“训练”来做出类似于人类的决策，而无需显式编程。卷积神经网络是深度学习的中流砥柱，擅长模式识别。它是自动驾驶、面部识别、语音转录等几十项技术进步的关键技术。

“我们决定训练我们的模型，在离地球5公里的地方向它展示许多压力模式，并告诉它对于每种模式，“这一种不会造成极端天气。这次在加州引起了热浪。这次什么都没发生。哈桑扎德说。“这不像休斯顿对达拉斯那样具体，更有地域性。”

当时的哈桑扎德、查托帕德哈耶和纳比扎德几乎不知道模拟预报曾是天气预报的主要手段，甚至在二战D日登陆中发挥了重要作用。

Hassanzad说，“在计算机出现之前，有一种预测方法，首先观察压力系统的模式，然后查看以前模式的目录，并进行比较，试图找到类似的模式。”“如果地震导致三天后法国下雨，预报说法国会下雨。”

他说，使用深度学习的优势之一是不需要告诉神经网络要寻找什么。

Hassanzad说：“我们没有完全理解这些前兆并不重要，因为神经网络已经学会自己寻找这些联系。”“它知道哪些模型对极端天气至关重要，并使用这些模型来寻找最佳模拟。”

为了证明概念，该团队使用了来自真实计算机模拟的模型数据。当团队报告初步结果，卷积神经网络将受到挑战时，这项新研究的主要作者听说，深度学习的新形式胶囊神经网络在2017年底高调亮相，部分原因是它是Jeffrey Hinton的深度学习卷积神经网络的创始人。

与卷积神经网络不同，胶囊神经网络能够识别相对空间关系，这对于天气模式的演化非常重要。

哈桑扎德说，“气压模式的相对位置，也就是你在天气图上看到的水平，是决定天气变化的关键因素。”

胶囊神经网络的另一个显著优点是它不需要像卷积神经网络那样多的训练数据。在卫星时代，只有大约40年的高质量天气数据。哈桑扎德的团队正在努力训练胶囊神经网络的观测数据，并将其预测与最先进的NWP模型进行比较。

他表示，“我们的短期目标是将预计交付时间延长至10天以上，而NWP模式在这方面存在不足。”

虽然需要做更多的工作来将Rice的系统应用到实际的天气预报中，但Hassanzad希望它最终能改善热浪和其他极端天气的预报。

他说：“我们不是说它最终会取代NWP。”“但这对NWP来说可能是一个有用的指南。在计算方面，这可能是一个超级便宜的方式，提供一些指导和预警。它可以让你把NWP的资源用于可能出现极端天气的地方。”

p>哈桑扎德说，他的团队也有兴趣找出胶囊神经网络用于预测的模式。

他说:“我们希望利用可解释的人工智能(AI)来解释神经网络的工作。”“这可能有助于我们识别导致极端天气模式的先兆，并提高我们对其物理学的理解。”