对于无法直观感知天气变化的人群而言，天气预报与分析技术正日益精进。Tomorrow.io近日公布了其前两颗雷达卫星的运行成果，得益于机器学习技术的赋能，这些卫星在地球轨道上的表现已能与传统大型预报系统相媲美。
自2021年（当时名为ClimaCell）起，该公司便着手推进此项任务。今日发布的数据（并将在近期气象会议上正式展示）证实了其高科技路线的有效性。
天气预测的复杂性
天气预测之所以复杂，高性能遗留硬件（如雷达网络和旧式卫星）与现代软件的交互是关键因素。尽管现有基础设施强大且宝贵，但要提升输出质量需投入巨大算力，且边际收益会逐渐递减。
这远超“是否会下雨”的简单判断，更关乎热带风暴路径、特定区域降雨量等复杂且关键的预测。随着气候变化加剧，此类洞察的重要性愈发凸显。
AI助力：实现小时级至世纪尺度的精准天气预报
轻量化卫星的创新突破
太空虽是理想投资领域，但传统天气基础设施过于庞大沉重。作为行业标杆的NASA全球降水测量卫星（GPM）于2014年发射，重约3,850公斤，搭载Ka波段（26-40 GHz）和Ku波段（12-18 GHz）雷达。
Tomorrow.io致力于构建新型轻量化太空雷达基础设施。其卫星仅重85公斤，专用于Ka波段。去年4月和6月发射的R1、R2卫星经长期测试磨合后，现已展现出卓越性能。
据该公司计划今年晚些时候发表的系列实验显示，凭借单一雷达波段及轻量级设计，其卫星能产出与NASA GPM及地面系统相媲美的结果。在多项任务中，R1和R2的预测精度与观测准确性均达到甚至超越GPM水平，且与地面雷达数据高度吻合。
机器学习模型的核心作用
这一成就归功于机器学习模型。首席气象官Arun Chawla将其形容为“一机两用”。该模型利用GPM双雷达数据进行训练，通过学习观测值及信号间差异关系，实现了仅凭单波段即可做出类同预测的能力。正如官方博客所述：
算法虽以双频衍生的降水剖面数据训练，但仅以Ka波段观测为输入。它已“学习”反射率剖面形状与降水间的复杂关系，即便在强降水导致Ka波段反射率完全衰减时，仍能反演出完整降水剖面。
全球化布局与未来展望
若上述结果得以验证并推广，将是Tomorrow.io的重大成功。但这并非旨在取代美国现有基础设施——GPM和地面雷达网络仍是不可替代的资产。真正的挑战在于如何低成本复制该能力以覆盖全球其他地区。
公司计划部署由八颗更大（约300公斤）、功能更强的卫星组成的网络，以提供全球范围内的精细化预测与分析。
Chawla表示：“我们致力于在全球任何地点提供实时降水数据，这将是天气预报领域的变革性突破。为此，我们正专注于提升准确性、扩大全球覆盖范围并降低延迟（即从卫星捕获信号到数据可供产品集成的时间）。”
同时，公司也在推进数据战略，通过提供更详尽的轨道雷达图像集来训练自身及其他系统。为实现这一目标，他们计划在今年发射更多卫星以加速数据收集进程。