【揭秘】非洲原野最凶猛猎手-鬣狗

揭秘非洲原野最凶猛猎手-鬣狗

鬣狗是非洲原野上最为凶猛的猎手之一，它以狩猎为生，嗅觉和奔跑速度非常出色，但是却鲜为人知。本文将通过揭秘鬣狗的生活方式、繁殖习性、猎物和保护措施四个方面来详细阐述鬣狗的特点。

生活方式

鬣狗是非洲原野上一种很有特点的猎犬，它是非洲最大的猎犬之一，生活在非洲的大草原和开阔的土地上。鬣狗不像其他犬科动物一样生活在家庭群中，它们是一种高度社交化的动物，生活在群体中，群体中的鬣狗数量达到10-20只，有时甚至达到0只。鬣狗具有卓越的视力和嗅觉，常以奔跑方式猎杀猎物，是非常凶猛的猎手。鬣狗严格遵守社会规则，群体中有一只狗担任领导的角色，其他鬣狗会遵循该领导的指挥，通常狗群会合作狩猎，共同攻击猎物，吃剩下的食物通常由幼狗和老年狗先享用，而占据领导地位的狗是最后才能享用剩下的食物。

繁殖习性

鬣狗是一种高度社交化的动物，狗群中的繁殖通过对称岩却和田野相互寻找。一旦成员找到合适的伴侣，就会开始交配。鬣狗的妊娠期大约是70天，每胎通常有4-8只幼崽，幼崽第一次在出生后的6-8周内开始觅食。在初期，幼狗主要依靠母狗的大腮腺分泌物进食，四个月后开始吃固体食物。幼狗在狗群中成长，通常由母狗和其他领导狗来照顾。成年鬣狗在狩猎和保护幼崽方面非常协调，通常由幼狗的哺育者照顾，这种协调是通过成年狗互相协调交流而形成的。

猎物

鬣狗是非常出色的猎手，它们的主要猎物是角马、羚羊、瞪羚等中大型动物。当鬣狗狩猎时，它们通常会发出响亮的呼吸声和犬吠声，以便其他狗能够及时掌握猎物的位置。鬣狗通常会集体行动，利用高度协调的狩猎策略，成功率相当高。人类的活动导致鬣狗的栖息地日益萎缩，大量的开发和农业活动使得鬣狗出现了威胁。此外，鬣狗的猎食范围正在不断缩小，这使得它们的种群数量在不断减少。

保护措施

许多专家正在致力于保护鬣狗。最近，多个组织和保护区正在利用科学技术和宣传等方式来保护这种狩猎犬。鬣狗的栖息地正在被保护，其中一些组织正在建立救援所，以帮助那些在非洲农村地区迷路或失踪的鬣狗。此外，通过宣传，人们对非洲的野生动物保护工作有了更多的了解和关注。虽然鬣狗是非洲原野上最为凶猛的猎手之一，但是它们的生活方式和繁殖习性使得它们成为非常有趣的猎犬。在各种狩猎和保护措施的支持下，鬣狗可能会在未来得到更好的发展。问答话题：问题1：鬣狗吃什么？回答：鬣狗的主要猎物是角马、羚羊、瞪羚等中大型动物，也会吃其他小型动物。问题2：鬣狗的保护现状如何？回答：鬣狗的保护现状不容乐观，由于人类的活动导致鬣狗的栖息地日益萎缩，使得它们的种群数量在不断减少，但是各种组织和保护区正在致力于鬣狗的保护和宣传。

【揭秘】非洲原野最凶猛猎手-鬣狗随机日志

tipalt单击/拖拽则是删除点/删除点区域

1、启动时启动AriaNG是说程序启动时启动用户交互程序，不勾选它会让我们的程序在开机自启后仅仅显示我们的小控件。

2、SuperluminalStardust

3、最简单易用的操作界面，不需任何指导便可轻易上手操作；

4、十二星座运势推送，精准定位太阳星座上升星座；

5、加速器默认是最优的智能节点，加速效果不理想的情况下您可以手动更换节点再次加速尝试一下，以绝地求生为例：先选择加速区服，再手动选择延迟比较低的节点进行加速。

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>DeepMind通(tong)天(tian)了(le)！AI中(zhong)期(qi)天氣(qi)預(yu)報(bao)吊(diao)打(da)全(quan)球(qiu)頂(ding)級(ji)气象(xiang)臺(tai)：1台TPU1分(fen)鐘(zhong)预測(ce)10天天气

新(xin)智(zhi)元(yuan)报道(dao)

編(bian)輯(ji)：好(hao)困(kun) Aeneas

【新智元導(dao)讀(du)】「中期天气预报」因(yin)為(wei)數(shu)據(ju)量(liang)太(tai)大(da)，预测模(mo)型(xing)的(de)質(zhi)量壹(yi)直(zhi)是(shi)個(ge)難(nan)題(ti)。最(zui)近(jin)，DeepMind和(he)谷(gu)歌(ge)推(tui)出(chu)的全新機(ji)器(qi)學(xue)習(xi)模型，以(yi)超(chao)過(guo)99%的優(you)勢(shi)在(zai)天气预报模型中勝(sheng)出。

眾(zhong)所(suo)周(zhou)知(zhi)，傳(chuan)統(tong)天气预报的可(ke)靠(kao)性(xing)，多(duo)少(shao)都(dou)有(you)些(xie)一言(yan)难盡(jin)。

最近，DeepMind和谷歌新研(yan)究(jiu)出了一種(zhong)基(ji)於(yu)机器学习的天气模擬(ni)器，可以在60秒(miao)內(nei)预测10天内的天气，而(er)且(qie)準(zhun)確(que)率(lv)極(ji)高(gao)！

論(lun)文(wen)地(di)址(zhi)：https://arxiv.org/abs/2212.12794

1. GraphCast是一种基于圖(tu)神(shen)經(jing)網(wang)絡(luo)的自(zi)回(hui)歸(gui)模型，性能(neng)优于世(shi)界(jie)上(shang)最准确的机器学习天气预报系(xi)统（中期天气预报）；

2. GraphCast只(zhi)需(xu)單(dan)台Cloud TPU v4設(she)備(bei)，即(ji)可在60秒内生(sheng)成(cheng)10天内的天气预报（35GB数据），分辨(bian)率高達(da)0.25°；

3. 通过在更(geng)大、更新、质量更高的数据上進(jin)行(xing)訓(xun)練(lian)，可以进一步(bu)提(ti)升(sheng)GraphCast预测的速(su)度(du)和准确性。

而在短(duan)期天气预报方(fang)面(mian)，DeepMind曾(zeng)于2021年(nian)9月(yue)在Nature上發(fa)文稱(cheng)，其(qi)生成模型能以89%的絕(jue)對(dui)优势吊打其他(ta)方法(fa)。

中期天气预报为什(shen)麽(me)那(na)么难

「中期天气预报」通常(chang)是指(zhi)对未(wei)來(lai)于4至(zhi)10天内天气變(bian)化(hua)趨(qu)势的预报。其准确性，对于農(nong)業(ye)、建(jian)築(zhu)业、旅(lv)遊(you)业等(deng)行业的政(zheng)策(ce)制(zhi)定(ding)来說(shuo)至關(guan)重(zhong)要(yao)。

为此(ci)，國(guo)際(ji)領(ling)先(xian)的歐(ou)洲(zhou)中期天气预报中心(xin)（ECMWF），每(mei)天都會(hui)提供(gong)多达四(si)次(ci)的中期天气预报。

在中期天气预报的制作(zuo)过程(cheng)中，有兩(liang)个关鍵(jian)的組(zu)成部(bu)分都需要利(li)用(yong)大規(gui)模高性能計(ji)算(suan)（HPC）集(ji)群(qun)进行模拟：

通过分析(xi)由(you)衛(wei)星(xing)、气象站(zhan)、船(chuan)舶(bo)等收(shou)集的當(dang)前(qian)和歷(li)史(shi)数据来预测天气狀(zhuang)況(kuang)，也(ye)就(jiu)是「数据同(tong)化」；

通过数值(zhi)天气预报（NWP）系统建立(li)预测天气相(xiang)关变量將(jiang)如(ru)何(he)隨(sui)時(shi)間(jian)变化的模型。

然(ran)而，随著(zhu)(zhe)数据量的顯(xian)著增(zeng)加(jia)，NWP模型卻(que)無(wu)法得(de)到(dao)有效(xiao)的擴(kuo)展(zhan)。

也就是说，雖(sui)然現(xian)在有大量的天气和气候(hou)觀(guan)测檔(dang)案(an)，但(dan)我(wo)們(men)却很(hen)难直接(jie)利用這(zhe)些数据来提高预报模型的质量。

而改(gai)进NWP的方法，一般(ban)是由训练有素(su)的專(zhuan)家(jia)手(shou)動(dong)創(chuang)造(zao)更好的模型、算法和近似(si)值，这个过程耗(hao)时耗力(li)，成本(ben)高昂(ang)。

相比(bi)之(zhi)下(xia)，基于机器学习方法可以利用更多、更高质量的可用数据来提高模型的准确性，而且计算预算通常要低(di)得多。

GraphCast

在论文「GraphCast：中期全球天气准确预报学习」中，DeepMind以「编碼(ma)-處(chu)理(li)-解(jie)码」的方式(shi)使(shi)用图神经网络（GNN）来创建一个自回归模型。

GraphCast的三(san)階(jie)段(duan)模拟过程如下：

1. 使用從(cong)网格(ge)點(dian)到多网格的有向(xiang)邊(bian)的GNN，将原(yuan)始(shi)经緯(wei)度网格的輸(shu)入(ru)数据映(ying)射(she)到多网格上的学习特(te)征(zheng)中；

2. 一个深(shen)度GNN被(bei)用来在多网格上进行学习的信(xin)息(xi)传遞(di)，其中長(chang)距(ju)離(li)的边允(yun)許(xu)信息在空(kong)间上有效传播(bo)；

3. 解码器将最終(zhong)的多网格表(biao)示(shi)映射回经纬度网格，並(bing)執(zhi)行任(ren)何必(bi)要的操(cao)作。

研究結(jie)果(guo)显示，GraphCast的性能在252个变量中，有99.2%超过了现有最准确的机器学习天气预报模型；在2760个变量中，有90%超过了欧洲气象中心的高精(jing)度预报（ECMWF HRES Forecast）。

(a) 输入的天气状態(tai)是在高分辨率的纬度-经度-气壓(ya)層(ceng)网格上确定的。

(b) GraphCast预测天气的下一个状态是纬度-经度-压力级网格。

(d) GraphCast架(jia)構(gou)的编码器组件(jian)将输入的局(ju)部區(qu)域(yu)（綠(lv)色(se)方框(kuang)）映射到多网格图的節(jie)点。

(e) 处理器组件使用所学的消(xiao)息传递来更新每个多网格节点。

(f) 解码器组件将经过处理的多网格特征（紫(zi)色节点）映射到网格表示上。

ERA5数据集

GraphCast在39年（1979年-2018年）历史天气数据的語(yu)料(liao)庫(ku)上进行了训练，即ECMWF的ERA5再(zai)分析数据集。

模型以6小(xiao)时的时间步长，在0.25°经纬度分辨率下，对5个地表变量和6个大气变量进行10天的预测，每个变量在37个垂(chui)直压力层上，代表了特定地点和时间的天气状态。

如图1a所示，研究人(ren)員(yuan)将时间指数t处的天气状态表示为。

環(huan)繞(rao)地球的网格对应每个纬度、经度和压力级別(bie)的变量。表面和大气变量分别由放(fang)大視(shi)图中的黃(huang)色和藍(lan)色框表示。

我们将中对应于特定网格点??（總(zong)共(gong)有1,038,240个）的变量子(zi)集称为

，并将227个目(mu)標(biao)变量中的每个变量??称为

。

生成预测

GraphCast 将两个天气状态作为输入，它(ta)们分别对应当前时间t，和前一个时间t-1，并预测下一个时间步长的天气状态（如图1b所示）。

为了生成T-step预测，GraphCast以自回归方式迭代上图的等式，将自己(ji)的预测作为输入，来预测後(hou)面的步长（即，预测步长t+2，输入为

；预测步长 t + 3，输入为。

图1b、c描(miao)述(shu)了这个过程。

架构

GraphCast的核(he)心架构在「编码-处理-解码」配(pei)置(zhi)中使用GNN，如图1d、e、f所示。

基于GNN的学习模拟器在学习流(liu)體(ti)和其他材(cai)料的復(fu)雜(za)物(wu)理动力学方面非(fei)常有效，因为它们的表示和计算结构類(lei)似于有限(xian)元学习求(qiu)解器。

GNN的一个关键优势是，输入图的结构決(jue)定了表示的哪(na)些部分通过学习的消息传递相互(hu)交(jiao)互，从而允许在任何範(fan)圍(wei)内进行任意(yi)模式的空间交互。

相比之下，卷(juan)積(ji)神经网络 (CNN) 僅(jin)限于计算局部patch内的交互（或(huo)者(zhe)，在扩張(zhang)卷积的情(qing)况下，有规律(lv)地跨(kua)越(yue)更长的范围）。

而Transformer虽然也可以完(wan)成任意的遠(yuan)程计算，但是在输入非常大的情况下，它们不(bu)能很好地扩展（要知道，GraphCast的全局输入中有超过100萬(wan)个网格点），因为计算中all-to-all的交互，会引(yin)起(qi)很复杂的二(er)次記(ji)憶(yi)。

Transformer的当代延(yan)伸(shen)通常会稀(xi)疏(shu)化可能的交互，以降(jiang)低复杂性，这使它们實(shi)际上类似于GNN。

通过引入GraphCast的内部多网格表示，研究人员利用GNN的能力，模拟了任意稀疏的交互方式。

它在全局范围内具(ju)有均(jun)勻(yun)的空间分辨率，并允许在少数消息传递步长内进行长距离互动。

要构造一个多网格，首(shou)先要将一个常规的二十(shi)面体（12个节点和20个面）迭代6次，得到一个二十面体网格的层次结构，在最高分辨率下共有40,962个节点和81,920个面。

因为粗(cu)网格节点是細(xi)网格节点的子集，研究人员能夠(gou)将网格层次结构中的各(ge)级边緣(yuan)，叠加到最小分辨率的网格上。

这个过程产生了一个多尺(chi)度的网格集，粗边在多个尺度上彌(mi)合(he)了长距离，细边捕(bu)捉(zhuo)了局部的相互作用。

图1g显示了每个单獨(du)的细化网格，而图1e显示了完整(zheng)的多网格。

使用具有从网格点到多网格的定向边的GNN，GraphCast的编码器（图1d）首先将原始经纬度网格的输入数据，映射为多网格上的学习特征。

然后，处理器（图1e）使用一个16层的深度GNN，在多网格上进行学习的信息传递，由于长距离的边缘，信息可以在空间上被有效传播。

然后，解码器（图1f）使用具有定向边缘的GNN，将最终的多网格表示映射回经纬度网格，并将該(gai)网格表示?????+??與(yu)输入状态?????+??相结合，形(xing)成输出预测，?????+??+1 = ?????+?? + ????? +??。

训练过程

GraphCast被训练成在12步预测（3天）中对ERA5目标进行目标函(han)数最小化，使用的是梯(ti)度下降法。

目标函数如下——

研究人员使用批(pi)处理并行技(ji)術(shu)，在32台Cloud TPU v4设备上花(hua)了大約(yue)3周时间对GraphCast进行了训练。

为了減(jian)少内存(cun)占(zhan)用，研究人员還(hai)使用了复杂的梯度檢(jian)查(zha)点策略(lve)和低精度的数值。

结果

结果显示，GraphCast在0.25°分辨率的10天预报中，全面超越了HRES天气预报技术。

如图4所示，GraphCast（蓝線(xian)）在10个主(zhu)要地表和大气变量上，都明(ming)显优于HRES（黑(hei)线）。

此外(wai)，研究人员通过区域分析表明，这些结果在整个地球上是一致(zhi)的。

根(gen)据評(ping)估(gu)的结果，GraphCast在2760个变量、等级和前置时间（4个地表变量，加上5个大气变量×13个等级，历时10天，每天4个步长）中的90.0%表现优于HRES。

研究人员表示，HRES在高层大气级别上的表现往(wang)往比GraphCast好，特别是压力级别50hPa，这并不奇(qi)怪(guai)，因为应用于50hPa或以下压力级别的总训练損(sun)失(shi)權(quan)重只占所有变量和级别总损失权重的0.66%。

当排(pai)除(chu)50hPa水(shui)平(ping)时，GraphCast在2240个目标中优于HRES的百(bai)分比为96.6%；当排除50和100hPa水平时，1720个目标中的百分比为99.2%。

10u的真(zhen)实天气和预测天气

第(di)1行显示ERA5，第2行显示HRES，第3行显示GraphCast，第4行和第5行分别是HRES和HRES-fc0、GraphCast和ERA5之间的誤(wu)差(cha)绝对值图。底(di)部的图显示了HRES和GraphCast的RMSE水平。

msl的真实和预测的天气状态

自回归训练对预测的影(ying)響(xiang)

当用較(jiao)少的自回归步长训练时，模型在较短的前置时间内表现较好，而在较长的前置时间内表现较差。

随着自回归步数的增加，在较短的前置时间内性能变差，但在较长的前置时间内性能变好。

GraphCast与顶级ML预测模型的性能比较

目前，基于ViT的Pangu-Weather代表了基于ML的天气预报的最新水平，其计算模式与GNN相似。

GraphCast与Pangu-Weather的对比结果如图8所示。第1行和第3行显示GraphCast（蓝线）、Pangu-Weather（紅(hong)线）、HRES对HRES-fc0的评價(jia)（黑线）和HRES对ERA5的评价的绝对RMSE；第2行和第4行显示各模型之间相对于Pangu-Weather的归一化RMSE差分。

总结一下

GraphCast模型在10天的预报中，在6小时步长和0.25°经纬度分辨率下，超过了目前最精确的确定性系统——ECMWF的HRES。

針(zhen)对2760个变量、压力等级和前置时间的组合进行评估的结果显示，GraphCast模型在90.0%的指标上比HRES的RMSE低。

当排除了100hPa及(ji)以上的高层大气場(chang)时，GraphCast在1760个目标中的99.2%表现优于HRES。

此外，在252个目标中，GraphCast有99.2%超过了之前最好的ML基线——Pangu-Weather。

GraphCast的一个关键创新是其新穎(ying)的「多网格」表征方法，这使得它能够捕捉到比传统的NWP方法更长的空间互动，从而支(zhi)持(chi)更粗的原始时间步长。

这就是为什么GraphCast可以在一个Cloud TPU v4设备上以6小时为单位(wei)在60秒内生成准确的10天天气预报的部分原因。

參(can)考(kao)資(zi)料：

https://arxiv.org/abs/2212.12794返(fan)回搜(sou)狐(hu)，查看(kan)更多

責(ze)任编辑：