苹果收购的热门天气App有多特别？用AI精准预测天气，还能制作风暴动画

智东西4月8日消息，近期，CNN等多家媒体报道了苹果公司对天气应用Dark Sky的收购，称苹果计划在7月前把该款App从安卓平台下架。这是苹果首次收购第三方天气应用。

粗略统计，仅与iOS13系统兼容的天气App就有100多个，苹果自家也有天气应用。在这种前提下，Dark Sky凭借什么优势得到科技巨头苹果的青睐？被纳入到iOS闭环生态之中？

Dark Sky正是一款以分钟级别准确预测用户所在地未来一小时降雨情况的应用。随时随地，只要用户打开应用，它会迅速基于用户定位播报天气。比如，当前地区5分钟后有强降雨、将持续15分钟等。

正如其所标榜的那样，Dark Sky是目前“最准确的超本地化天气信息来源”App。

有趣的是，Dark Sky并不是基于气象学方法做出天气预测，而是别出心裁地只采用了大数据分析模型。

Dark Sky的主创团队也十分“特别”。三位创始人中，Adam Grossman是物理学出身，Jay LaPorte和Jack Turner研究计算机科学。团队其他成员则是网络开发人员和后端工程师。换句话说，整个团队都没有气象学背景。

就是这样一群半路出家的“气象工作者”，做出了这款倍受好评的天气应用。

据Dark Sky联合创始人亚当·格罗斯曼（Adam Grossman）介绍，Dark Sky使用的雷达数据均来自美国国家海洋和大气管理局（NOAA）。

NOAA运营着一个覆盖面极广的气象监控网络。该网络由超过140个雷达组成，对美国全境和一些其他地方形成了覆盖。法律规定美国公民可以免费获取这些雷达数据。

Dark Sky团队以二进制格式下载这些数据，之后再进行必要的四步处理。

1、FANN分离噪声和非噪声

除了有用的气象数据，雷达网络还会收集到一些噪声，比如地面反射波、虫鸟的迁徙活动和一些人类活动等。这些信息有可能被误认为是降水信号。因此，第一步要对雷达数据进行筛选。

据悉，噪声大部分由低强度数据组成（即图中浅蓝色区域）。Dark Sky团队会先将所有低强度数据不加区分地删除。但是，除了噪声数据以外，这一步操作也移除了风暴前缘和后缘的有价值数据。而这部分丢失的数据对于预测降雨情况至关重要。

为了弥补这部分数据的丢失，Dark Sky团队引入了AI技术，使用快速人工神经网络库（FANN）建立模型。

研究人员发现，噪声数据不仅是低强度的，而且具有一种可识别的“纹理”。经过大量的数据训练后，FANN模型能够准确地识别出这种“纹理”，进而将数以千计的雷达数据分为两类：噪声和非噪声。

研究人员称训练过程需要持续一段时间，但最终得到了一个简洁、快速的程序。该模型可以识别90~95%的噪音，几乎没有误报。

▲数据分离结果

2、CV算法，提取风暴速度

气象系统是典型的非线性动力系统，十分混乱复杂。在进行天气预测时，要考虑到许多因素，比如复杂的流体动力学原理、地球的旋转角度、地势的不平坦情况、注入系统的太阳能等等。

这也是一个世纪以来，气象学家设计出了各种复杂模型，但仍无法提供准确天气预测的原因。

但是，Dark Sky团队注意到，气象系统的变化在更小的时间尺度上会趋于线性。例如，在天空飘动的积云会更倾向于以相对直线运动。

当把时间尺度缩小时，降水带也会更加连贯，甚至在几分钟的时间间隔内表现为线性变化。有一些情况下，这个线性过程可以持续一个小时或更久。

为了量化这个过程，研究人员引入了计算机视觉（CV）模型。利用开源计算机视觉库OpenCV中的光流与目标跟踪算法，研究团队对多个雷达图像帧进行了比较，创建出了一个速度分布图。

为了使结果更加直观，研究人员用颜色替换箭头，制作出一张三通道图像。图像中，红色代表x方向的速度，蓝色代表y方向的速度，绿色代表风暴强度的变化。

3、GPU完成预测和动画制作

研究人员会将速度图像输入iPhone或iPad上的GPU，风暴预测过程和动画制作过程都在GPU中完成。

研究人员指出，由于不同风暴的特征差异、地理环境的不同等，预测结果会有所出入。例如，如果风暴更连贯和稳定，能够预测的时间就会更长。

4、误码监测

为了保证预测的准确性，Dark Sky团队会对每一次预测进行误码监测。

据介绍，研究人员会用预测结果与实际天气情况进行对比，从而确定预测的误差有多大。此外，研究人员还会对每个雷达站进行实时检查，从而保证预测结果的准确性。

除了准确的预测，Dark Sky的另一大卖点是“超本地化（Hyper-local）”。为了实现超本地化的功能，Dark Sky需要获取用户的准确定位信息。

根据外媒FastCompany报道，Dark Sky会根据地球上某个点的物理参数，对雷达图像的预测结果进行调整。这些参数包括用户所在地的海拔、坡度、到最近水域的距离、热岛效应情况等。

进行微气候调整后，预测结果会更加精准。例如，假如GPS信号显示用户正在湖边，预测的气温可能就会略微升高，更符合用户的体感温度。