近年人工智能、機器學習和深度學習在各個領域迅速發展。對於大雨預測，人工智能又有沒有可能取代天氣預報員呢？

天氣變化是受物理定律支配，世界各地的氣象機構利用各種儀器監測天氣 – 譬如地面氣象站、探空氣球和飛機直接測量風、溫度、濕度和氣壓；多普勒雷達實時測量降雨強度和位置；以及氣象衛星多光譜成像儀提供的雲圖等等。 預報員從大量實時氣象數據，分析及監測現時的天氣狀態和趨勢， 而電腦「數值天氣預報模式」亦會使用這些觀測數據計算天氣變化，模式預測數據會供預報員參考或直接製作自動預報產品。可是電腦模式預報的準確度仍受很多因素限制；尤其對大雨和雷暴等變化‌急速並影響範圍小的天氣現象，模式預報水平仍有不少改進的空間 ^[1] 。

氣象界多年來一直應用人工智能技術輔助分析和預測天氣。天文台發展和運作的「小渦旋」臨近預報系統，核心運算部分正正是利用人工智能電腦視覺的物件追踪方法，從外推雷達回波，預測未來數小時雨區和雷暴的位置，但計算方法需假設雨區的強度和移動路徑維持不變 ^[2] 。

當然，實況暴雨的發展可以極其迅速，雷雨區移動和強度變化可以在數分鐘內顯著轉變。如果能從過去暴雨情況的雷達圖像掌握雷雨區的變化特徵，對預測暴雨增強或減弱的趨勢會有一定幫助。深度學習方法運用過去多年的雷達圖像數據進行訓練，分析降雨在空間和時間變化的特徵，尋找最優化的演算法來建立一套有效神經網絡，記錄雷達降雨強度和移動路徑在以往各種天氣過程中的變化情況。 當有新的實況雷達圖像，深度學習模型就根據辨識當前雷達雨區的情況與比較最近幾張雷達圖像的變化，利用神經網絡儲存的特徵產生未來一兩小時的雨量分佈和強度預測 ^[3] （圖一）。

天文台近年與大學合作發展深度學習加強降雨臨近預報。由實時運作試驗結果顯示,深度學習模型對提升未來一兩小時預報大雨的表現有相當不錯的效果。現時機器學習對暴雨或其他天氣現象預測的準確度需要配合適當的計算模型來辨別天氣變化的特徵，並相當依賴使用大量過去的數據進行訓練，培訓數據愈豐富和多元化，建立的神經網絡能辨別各種天氣情景的效用就愈高。而近期的深度學習模型研究，亦積極運用或結合天氣變化的物理定律，改善大雨預報，以及應它於預測極端天氣。當然，深度學習預報產品是否可靠和表現穩定仍有待驗證，但人工智能、機器學習和深度學習無疑能從氣象大數據中提供更多具參考價值的資訊或預測工具，幫助預報員提升或發展氣象預測和警告服務。