近年人工智能、机器学习和深度学习在各个领域迅速发展。对于大雨预测，人工智能又有没有可能取代天气预报员呢？

天气变化是受物理定律支配，世界各地的气象机构利用各种仪器监测天气 – 譬如地面气象站、探空气球和飞机直接测量风、温度、湿度和气压；多普勒雷达实时测量降雨强度和位置；以及气象卫星多光谱成像仪提供的云图等等。 预报员从大量实时气象数据，分析及监测现时的天气状态和趋势， 而电脑「数值天气预报模式」亦会使用这些观测数据计算天气变化，模式预测数据会供预报员参考或直接制作自动预报产品。可是电脑模式预报的准确度仍受很多因素限制；尤其对大雨和雷暴等变化‌急速并影响范围小的天气现象，模式预报水平仍有不少改进的空间^[1]。

气象界多年来一直应用人工智能技术辅助分析和预测天气。天文台发展和运作的「小涡旋」临近预报系统，核心运算部分正正是利用人工智能电脑视觉的物件追踪方法，从外推雷达回波，预测未来数小时雨区和雷暴的位置，但计算方法需假设雨区的强度和移动路径维持不变^[2]。

当然，实况暴雨的发展可以极其迅速，雷雨区移动和强度变化可以在数分钟内显著转变。如果能从过去暴雨情况的雷达图像掌握雷雨区的变化特征，对预测暴雨增强或减弱的趋势会有一定帮助。深度学习方法运用过去多年的雷达图像数据进行训练，分析降雨在空间和时间变化的特征，寻找最优化的演算法来建立一套有效神经网络，记录雷达降雨强度和移动路径在以往各种天气过程中的变化情况。 当有新的实况雷达图像，深度学习模型就根据辨识当前雷达雨区的情况与比较最近几张雷达图像的变化，利用神经网络储存的特征产生未来一两小时的雨量分布和强度预测^[3]（图一）。

天文台近年与大学合作发展深度学习加强降雨临近预报。由实时运作试验结果显示,深度学习模型对提升未来一两小时预报大雨的表现有相当不错的效果。现时机器学习对暴雨或其他天气现象预测的准确度需要配合适当的计算模型来辨别天气变化的特征，并相当依赖使用大量过去的数据进行训练，培训数据愈丰富和多元化，建立的神经网络能辨别各种天气情景的效用就愈高。而近期的深度学习模型研究，亦积极运用或结合天气变化的物理定律，改善大雨预报，以及应它于预测极端天气。当然，深度学习预报产品是否可靠和表现稳定仍有待验证，但人工智能、机器学习和深度学习无疑能从气象大数据中提供更多具参考价值的资讯或预测工具，帮助预报员提升或发展气象预测和警告服务。