據外媒報導，幾周前，谷歌人工智慧(AI)使用了一個機器學習模型來改進對乳腺癌的篩查工作。現在，這家公司已經在即時預報降水中使用了卷積神經網絡(CNN)。谷歌AI研究人員在一篇名為《Machine Learning for Precipitation Nowcasting from Radar Images》的文章中提到了其在降水短期預測中對CNN的利用。
結果看起來似乎很有前景，按照谷歌自己的說法，其得到的結果比傳統方法還要好：這種降水即時預報側重於0-6小時預報，它可生成的解析度為1公里、總延遲只有5-10分鐘的預報（包括數據收集延遲），甚至在開發的早期階段其表現也優於傳統模型。
據了解，傳統方法需要結合對大氣如何工作的先驗知識，而這批研究人員使用的「物理自由」法卻將天氣預報問題變成了一個單獨的從圖像到圖像的轉換問題。因此，由團隊訓練的CNN--U-Net--只需要對提供給它的訓練例子估計大氣物理。
為了訓練U-Net，團隊使用了多光譜衛星圖像。從2017年到2019年在美國大陸收集的數據被用於最初的訓練。更具體一點來說，數據被分成了四個星期的數據塊，其中最後一個星期用作評估數據集，其餘的則用作培訓數據集。
不同於傳統即時預報採取的高解析度快速刷新(HRRR)數值預報、光流(OF)算法和持久性模型的是，U-Net模型利用精度圖和回憶圖的方法所表現的預報質量更優。
此外，該模型還提供了瞬時預測。這是一個額外的優勢，因為傳統的方法如HRRR計算延遲時間有1-3小時。這使得機器學習模型能夠處理新的數據。不過HRRR中使用的數值模型可以做出更好的長期預測，部分原因是它使用了一個完整的3D物理模型--從2D圖像中很難觀察到雲的形成，所以對於機器學習來說學習對流過程顯得更難。
谷歌認為，將HRRR和機器學習模型這兩種方法結合起來可能會帶來更好的效果，因為這兩種方法可以實現準確、快速短期以及長期預測。這家公司表示，他們有在考慮未來將機器學習技術直接應用到3D觀測中。