通过不断的创新，专业的商业气象服务商 KuWeather 终于对短临降水预报做出了“一点微小的贡献”。从2017年多雨月份的实践结果来看，KuWeather 将短临降水预报准确率较同行业提高了5%。

短临降水预报，是在2小时内对任一经纬度点上进行逐分钟的精确降水预报。不仅要预报出每分钟上这个位置会不会有雨，而且要较准确的预报出雨强（也就是未来每分钟的雨有多大）。那这难度有多大呢？

不难。

但是也难。

从无到有，一点不难。我国200多部降水雷达每6分钟进行实时反射率因子资料上传，通过质控、坐标转换，最后建立融合系统，完成全国范围的组网拼图。

代码

雷达

现在得到这张雷达图，每六分钟就会更新。那么首先，图中的像素是存在着与降水的函数关系的；其次，有了连续几张图之后我们是可以推断这些回波图像会怎么移动的。按照假想的情形，接下来我们先预测出来未来2小时内任意时刻拼图的形状，然后使用函数算出任意一点的降水，得到其所有的短临降水序列，再用代码做好前端展示就完成了。

DWS

看完这里，是不是觉得短临降水很好做？

如果你真这么觉得，请自行搜索Dunning-Kruger Effect。

“The Foole doth thinke he is wise, but the wiseman knowes himselfe to be a Foole”

看上去简单的东西实践起来往往最为复杂。就短临而言，两个关键步骤是去噪和外推。去噪保证在组网拼图时获得的图像是尽量无偏差的，而外推技术直接决定了我们对未来的图像形状预测是不是靠谱。

对于前者，图像处理领域里已经有许多深度学习算法可实现像素级分类，处理起来并不复杂。而后者，直接将市面上所有的短临降水预报服务在准确率上分出了高下。

想象一下：当回波运动为非刚性变形运动时，（翻译成白话：一朵云不仅仅会原样不动的遛哒，更要命的是它要旋转、要变形、要飘散、要消失、还要合体），算法们还能不能合理的外推？

粗略来看。传统光流法对预报时刻的瞬时流场估计准确度较低，更是无法估计突然出现或者消散的回波；卷积LSTM（ConvLSTM）网络虽然优于光流法，但是其卷积递归结构为时空恒定，但是运动过程产生的时空关系是非恒定的。

没有无破绽的武功，看起来要继续前行的话，似乎无路可走了。

但是创新势在必行，KuWeather 决定融各门派之所长。

恰好KuWeather 人工智能团队有三类人：搞气象的、搞数学的和搞深度学习的。他们在一艘小船上，碰撞出了新的短临降水预报方法的可能。于是从传统光流出发，充分利用数值预报，嵌套一层深度网络后使用完整雷达回波运动方程，历经多次试验调优，终于推出了具有自主知识专利的短临预报算法。

这种创新回馈给了我们足够的惊喜。从2017年多雨月份的实践结果来看，实现了比同行5%左右的准确率提高。KuWeather 切实做出了“一点微小的贡献”。