气象卫星可以从轨道跟踪风暴的每一次移动。然而，分析卫星读数的算法目前无法像输入地面雷达数据的算法那样估计降水量。现在，一项新研究发现人工智能可以帮助极大地改善基于卫星的估计。

　　准确估计某个地区的雨、雪和冰雹数量对于完善天气预报、管理重要供水和调查气候变化非常重要。但根据原始卫星数据进行准确的降水估算“并不是一件容易的事”，该研究的合著者、柯林斯堡科罗拉多州立大学的遥感科学家陈浩南解释道。卫星本质上是扫描云顶，而不是检测落在地表的物体。“从云层顶部的测量中提取地表降水信息需要能够弥补这一差距的复杂模型，”他说。

　　在这项新研究中，陈和他的同事分析了美国国家海洋和大气管理局运营的地球静止运行环境卫星（GOES）的数据。研究人员重点关注 GOES-R 卫星，该卫星扫描来自地球的可见光和红外光。

　　研究人员使用深度学习技术（采用人工神经网络）分析了 GOES-R 数据。在这些系统中，被称为“神经元”的组件被输入数据并合作解决问题，例如识别图像。神经网络反复调整其神经元之间的链接，看看由此产生的行为模式是否能更好地找到解决方案。随着时间的推移，网络会发现哪些模式最适合计算结果。然后它采用这些作为默认值，模仿人脑的学习过程。

　　神经网络随着学习而变化的方面，例如神经元之间连接的性质，被称为其参数。如果神经网络拥有多层神经元，则它被称为“深度”。

　　科学家们用超过 130 万个参数的神经网络进行了实验。他们让它分析 2018 年 5 月至 9 月和 2019 年 5 月至 9 月美国西南部的 GOES-R 红外数据，训练它获得尽可能接近地面雷达估计的降水量估计。他们还研究了系统在纳入和未纳入 GOES-16 闪电探测器数据时的表现。

　　“得益于近年来 GPU 服务器的出现，我们现在可以分析大量卫星数据并以相当有效的方式训练复杂的机器学习模型，”Chen说。

　　在对 2020 年 5 月至 9 月的 GOES-R 数据进行测试时，研究人员发现他们的人工智能系统在匹配地面雷达估计方面明显优于用于分析卫星数据的其他算法。他们还发现，当他们的人工智能模型纳入闪电数据时，它在估计强降水方面比不纳入闪电数据时要准确得多。

　　虽然这项新研究集中在美国东南部，但 GOES-R 卫星覆盖了西半球，“因此这项工作可以扩展到更大的领域，”Chen说。“事实上，结合亚洲其他国家共享的地球静止卫星数据，我们有可能创建覆盖全球的完整降水图。”这意味着研究人员可以在缺乏地面气象雷达的地方受益于人工智能增强的降水估算。

　　Chen说，未来的研究将集中于测试这些人工智能系统能否很好地推广到分析来自其他地点的数据。他补充说，为人工智能模型提供更多数据，例如有关风、湿度和当地地形特征的读数，可能会进一步改善他们的估计。

　　他们面临的一个潜在障碍是如何处理复杂地形中常见的小范围降水变化。“不幸的是，卫星经常面临观察这种变化的挑战，”Chen说。