如果您想知道我們為什么需要更好的方式來預測颶風，問問休斯頓居民就知道了。

權威機構已經知道颶風哈維正在向德克薩斯州南部移動，但氣象預報員不能精確地說出哪些區域將會受災更嚴重。因此，大多數休斯頓居民留在原地不動。最終導致超過 75 人死亡，30,000 人躲避在避難所中，還有數萬人需要營救。

NOAA 的 GOES-15 衛星捕獲了颶風哈維即將在德克薩斯州海岸登陸時的彩色影像

科學家利用GPU助力降低自然災害風險

然而哈維只是一個開始。厄瑪、何塞、瑪利亞、奈特和奧菲莉婭 - 僅僅在五個多星期的時間內，已使得 2017 年大西洋颶風季成為歷史記錄以來極為嚴重的一季。這是自 1893 年以來第一次連續有 10 個風暴達到颶風強度，在有記錄的颶風歷史中是第四次。如果不知道強大風暴的襲擊地點，政府官員們常常會為群眾疏散問題而大傷腦筋。何時疏散？疏散哪一地區的居民？這都是值得深究的問題。

德克薩斯州國民警衛隊隊員在颶風哈維襲擊期間從被洪水淹沒的房屋中營救一個家庭

在地球的另一端，韓國的科學家團隊正在利用 GPU 加速深度學習幫助人們免遭傷害。

韓國科技信息研究院 (KISTI) 高性能計算研究室主任 Minsu Joh 說：“我們無法阻止自然災害，但如果掌握了正確的信息，我們可以在更大程度上降低風險。”

疏散還是不疏散？

韓國經常受臺風困擾，臺風是強度與颶風或熱帶氣旋等同的高強度風暴。這個詞的使用取決于地理位置- 在大西洋和太平洋東北地區稱為颶風，在太平洋西北地區稱為臺風，在南太平洋和印度洋稱為氣旋。

據美國國家航空航天局 (NASA) 地球氣象站介紹，除了風暴變得更加頻繁之外，氣候變化也正在加劇颶風等與天氣有關的自然災害。一些研究表明不斷升溫的海洋也將導致更多強臺風。

Joh 和 KISTI 團隊將深度學習技術與相對傳統的天氣預測方法相結合，研發出由數值天氣模型打造的 GPU 加速超級計算機，來提高臺風預測的速度和準確性。如果科學家能夠更精準地確定風暴的路徑和強度，權威機構便可以準確而及時的下令將人們疏散到安全的地方。

疏散某個地區的數百萬人口并不是一件小事，因此，政府官員通常會猶豫不決，懷疑警報的準確性。而且，疏散有可能比待在原處更加危險。在 2005 年遭受颶風麗塔襲擊時，休斯頓的疏散行動導致了慘烈的后果，幾十人在中途因中暑、事故和公交車著火而死亡，并且造成了休斯頓歷史上最嚴重的交通堵塞，數不盡的汽車停滯在綿延 100 英里的交通堵塞中。

在更短的時間內提供更準確的預測

現在，氣象學家可以依靠數值模型來預測風速、降水、氣壓和其他因素，這些因素可指明颶風在其生命周期內的路徑和強度。但與之不同的是，KISTI 團隊利用從衛星和雷達中觀察到的數據來訓練他們的兩個深度學習系統 - GlobeNet（預測臺風軌跡）和 DeepRain（預測強降水）。

研究人員使用從數值模型中獲取的數據來訓練第三個系統，即 DeepTC（預測熱帶氣旋）。

開發 KISTI 深度學習系統的首席科學家 Sa-kwang Song 表示：“盡管這三個模型仍處于實驗階段，但現在我們的準確性已超過現有方法。”

KISTI 科學家在機構的 NVIDIA GPU 上運行 cuDNN，利用 Keras 工具包和 TensorFlow 深度學習框架來訓練自己的模型。在部署模型時，他們使用 Amazon Web Services 云中托管的 GPU。

到目前為止，KISTI 系統可以提前一到兩個小時預測臺風及其相關的降雨量。該團隊計劃在明年將這個時間范圍延長到六個小時，最終實現提前三天預測，使其真正成為生命拯救者。

2017 年太平洋臺風季中所有熱帶氣旋的軌跡

臺風、洪水預測在行動

在韓國，他們的工作通常需要預測臨津江周邊地區的洪災，這個地區居住著該國 30% 的人口。韓國氣象局的臺風中心正在測試 KISTI 系統，最早明年可以進行部署。

盡管 KISTI 的工作是針對韓國而設計的，但同樣的方法也適用于其他任何地方。

Joh 表示：“如果我們可以獲取足夠的衛星和雷達數據，就可以輕松地將 DeepRain 和 GlobeNet 應用到北美地區。”