只要問問休士頓的居民，便能明白為何我們需要增進預測颶風精準度的原因。
當局已經掌握颶風哈維朝向德州南部移動的消息，預報單位卻無法準確說出哪些地區將蒙受最劇烈的襲擊，許多休士頓居民只好按兵不動，最終造成75人死亡、三萬人遷至避難中心，數萬人需要救援的重大災情。
颶風哈維只是這是開端，加上接連登場的艾瑪、荷西、瑪莉亞、奈特和奧菲莉亞，而且還有五個星期才會結束，2017年大西洋颶風季已經是史上災情最慘重的颶風季之一。自1893年以來，這是第一次看到連續十個暴風達到颶風強度等級，也是颶風史上第四度出現這個情況。官員不明白哪些地區會首當其衝，對於要怎麼疏散民眾也是一頭霧水。
在相隔半個地球以外的韓國，有一組科學家利用 GPU 加速深度學習技術，讓人們能免除此類天災帶來的損害。
「我們無法躲避天災，但是有了正確資訊，卻能將風險降到最低。」韓國科學技術資訊研究院（KISTI）高效能運算研究單位主任 Minsu Joh 說。
德州國民兵在颶風哈維襲擊期間，從一處淹水的民宅裡救出一家人
該不該疏散？
韓國是一個飽受颱風襲擊的國家，而颱風的威力跟颶風或熱帶氣旋相當。風暴在各地區有著不同名稱，在大西洋和東北太平洋地區稱為颶風，在西北太平洋地區稱為颱風，而在南太平洋和印度洋則是稱為氣旋。
NASA 地球觀測站指出除了風暴出現的頻率愈來愈高，氣候變遷也使得颶風這類劇烈天氣對人類帶來更嚴重的災害。部分研究表示海洋水溫變高會生成強度更高的颱風。
Joh 及 KISTI 的研究團隊結合深度學習技術與數字化天氣模型這傳統預測方法，誕生 GPU 加速超級電腦，以提高預測颱風的速度和精準度。要是科學家能更準確指出風暴的路徑和強度，政府當局就能更有把握要求及時疏散民眾到安全場所。
要疏散一地數百萬人並非易事，使得政府機關在發布可能會被認為是假警報一事心存遲疑，再加上疏散有時會比留在原地更危險。2005年颶風麗塔期間，休士頓當局的疏散命令就造成傷亡，數十人在路上因中暑、意外和巴士起火而死亡，還造成休士頓史上最嚴重的塞車情況，車陣綿延百英里之長。
在更短時間內提出更佳的預測內容
目前氣象學家靠著數字模型來預測風速、降水量、氣壓，以及其它指出颶風生成期間路徑和強度的因素，KISTI 研究團隊卻是使用衛星和雷達的觀測資料來訓練兩套深度學習系統，一是用於預測颱風路徑的 GlobeNet，另一個是預測強降水量的 DeepRain。
研究人員還使用數字化模型的數據來訓練第三套系統，也就是預測熱帶氣旋的 DeepTC。
「這三個模型都還在實驗階段，到目前為止我們已經提高了現有方法的準確度。」KISTI 深度學習系統開發首席科學家Sa-kwang Song 說。
KISTI 的科學家使用 Keras 工具組和 TensorFlow 深度學習架構搭配 cuDNN，在該研究所的 NVIDIA GPU 及 Amazon Web Services（AWS）雲端服務裡的 NVIDIA GPU 上運行，以訓練其預測模型；他們也在 AWS 裡使用我們的 GPU 進行推論作業。
KISTI 研究團隊到目前為止只能預測一到兩小時前的颱風及相關降水量，打算明年將範圍提高到六小時，最終目標是三天，以求真正達到救人的使命。
2017年太平洋颱風季所有熱帶氣旋的路徑。預測颱風和水患
KISTI 團隊的研究成果將用於預測臨津江流域的水患，這裡居住著韓國三成的人口。韓國氣象廳颱風中心將測試 KISTI 的系統，最快的話明年就將進行部署。
KISTI 的研究工作雖是針對韓國，同一套辦法也能用在它處。
「要是我們能拿到足夠的衛星和雷達資料，就能輕鬆將 DeepRain 和 GlobeNet 用在北美地區。」Joh 說。
在本文上方的圖片裡，NOAA 的 GOES-15 衛星拍攝到颶風哈維正要登陸德州海岸的地質色彩照片。