墨迹天气，欧博正在将AI技术应用于气象预测领域。基于海量数据和气象知识，在传统的天气预报之外，其机器学习能力，可以实现对气象数据历史变化趋势的自主学习。凭借分析气象大数据，墨迹天气能做到分钟级、公里级的短时预报；而通过短时预报，用户不仅了解今天会不会下雨，甚至可以了解未来一小时内某个街区的天气情况。

　　墨迹天气也正在将这种精准度分析能力，运用于通过智能手机来“观云识天”。设想一下，用户在任意地点掏出手机，对准天空，通过墨迹天气的AI技术，以通过分析云彩的情况来预测天气；如果是阴雨天，便能对降水情况进行短时预报，进而告知用户，该地区的雨何时会下、何时会停。

　　怎样仅通过手机摄像头拍到的画面，“识别”出天气预报结果？

　　墨迹天气推出“观云识天”产品，其核心功能就是精准识别云的算法——与识别动物植物等相比，识别云的门槛就要高得多。这需要专业气象技术和人工智能算法一起配合来实现。

　　要实现手机精准“观云识天”，简单来说，需要三个步骤。

　　首先，需要高质量的分类数据集。墨迹天气搜集了超过3万张实景云的图片，并从这3万多张云图中过滤掉质量差的、重复的云图，最后精选了超过1万张云图的标本。

　　其次，把这些云图进行分类。识别云最全面和权威的参考资料，是世界气象组织发布的《国际云图集》。国际上，通常将云分为低、中、高云和直展云。我国以这一分类体系为基础，结合观测、天气预报的需要和云的基本外形，具体将云分成三族、十属、二十九类。由于云的变化多端，即使是有专业背景的气象观测员，标注出来的云图类别可能也会有差异。因此，对不同云的分类、“打标签”，成为最耗时间、难度最大的事。

　　有了云的初步分类，最后就要交给“机器学习”。图像识别背后的技术就是新的机器学习方式，即深度学习。具体来说，在现有图像数据的基础上，计算机利用卷积神经网络自动生成每一张图片的特征向量；然后，计算机根据这些特征向量，对每一张图进行分类。也就是说，要让计算机自主感知每一种云之间的差异，并进行识别。

　　为了解决数据量小、分类精度高的矛盾，墨迹天气在大量研究和试验之后，使用了“迁移学习”来解决模型拟合能力不佳的情况。迁移学习，顾名思义就是把已经训练好的模型参数迁移到新的模型，帮助新模型训练。考虑到大部分数据或任务之间存在相关性的，所以通过迁移学习，墨迹天气可以将已经过大量数据训练过的模型参数，通过迁移学习的方式，来分享给新的模型，从而加快并优化模型的学习效率。

　　不仅在识别云彩方面，未来，AI技术和气象预报结合能创造更多可能。

　　未来，气象预测精准度的提升，将能够惠及更多领域——比如外卖、网约车、快递等受天气影响明显的行业用户。比如，外卖企业“饿了么”就会根据墨迹天气提供的气象解决方案，预知未来两小时的天气情况，从而合理调配资源，避免因天气造成损失。

　　除了能够观云识天，人们未来还能利用AI技术预知霾何时来、何时消。

　　要实现这一点，仍需建立在对海量霾图片分类、识别的基础上。一张有关霾天气的照片，在成像原理上可以概括为一个大气散射模型。阳光在物体表面形成反射光，反射光在穿过霾的过程发生散射，只有部分能量能到达摄像头。与此同时，阳光也在悬浮颗粒表面散射形成大气光，并被摄像头接收。因此，摄像头中的成像可由两部分组成，透射的物体亮度和散射的大气光照。只要能精准估计出媒介的透射率，即可计算出图像中霾的大致情况。

　　2017年4月1日至6月14日的累计监测数据显示，墨迹AQI预报准确率累积均值远远高于同类竞争者。其中提前1天的预报准确率均值高达75.4%，而同类竞争者仅为60.3%；提前2至5天的预报准确率均值分别为61.7%、59%、58.4%、58.8%，准确率均明显在同类竞争者之上。

　　墨迹天气APP的时景社区中，每天会产生超过10万张图片。这些用户实时分享的天气照片，以及墨迹天气设置的大量固定数据传感器，都能为人工智能的机器学习提供数据来源。墨迹天气就像一名每时每刻都在不断成长的气象研究人员，最终可成为一位资深气象专家。

　　此外，如果你觉得人工智能技术支持下的墨迹天气分析师，最终只是一名会“看图得结论”的分析师，那就大错特错了。人工智能的许多惊人功绩，都要基于神经网络。神经网络的内部运作就像一个“黑匣子”。在机器学习的过程中，模型会自己学习到各种天气的生成和消散规律。人工智能可能正在向着人脑无法想到的领域开拓，从而使气象预报越来越精准。