谷歌研究院与 DeepMind 合作开发了最新的天气模型 MetNet-3,该模型以之前的 MetNet 和 MetNet-2为基础 , 能够提前 24 小时,能够对全球天气情况进行高解析度预测,包括降水、表面温度、风速、风向和体感温度 。
我们发现 , 谷歌提到 , MetNet-3 模型已经在移动平台的“谷歌手机软件”天气预报中实装 。
MetNet-3 模型可创建“平滑且高精度”的预测,空间解析度可达 1 至 4 公里,并以 2 分钟为分析区间,经实验证明,MetNet-3 的预测能力超越传统物理天气预报模型,例如传统物理基础模型“NWP(Numerical Weather Prediction)”及“快速刷新模型(HRRR)”均被MetNet-3超过 。
MetNet-3 在预测天气上,与其他建立在传统方法之上的机器学习方法不同,关键点在于 MetNet-3 直接通过大气观测资料进行训练和评估 。研究人员提到,直接观测的优点在于数据密度及解析度更高 。此外 , 除了继承先前 MetNet 模型的数据之外 , MetNet-3 还新增学习来自气象站的气温、风力测量资料,以尝试对所有位置进行全方位天气预测 。
研究人员提到,MetNet-3 的关键创新在于使用了一种称为致密化(Densification)的技术,用以改进天气预报的准确性和范围 。
在传统物理基础模型中 , 天气预报通常需要经过两个步骤,分别是数据同化(Data Assimilation)和模拟(Simulation),数据同化是指将实际观测资料融入到模型中,而模拟则是根据这些数据预测天气 。
在 MetNet-3 中,致密化技术是透过神经网络将“数据同化”和“模拟”两个步骤合并在一起 , 达到更快更直接的天气预测,这将使模型在获取和处理资料时更高效 , 也能够利用神经网络来改善天气预报的准确性 。并可让 MetNet-3 模型能够单独处理每一个特定数据流 , 包含等高信息、卫星信息与雷达信息等,进而获得更为准确且全面的天气预报 。
此外 , 采用“直接观测”的数据作为学习样本,为 MetNet-3 模型带来基于空间和时间的高解析度优势,气象站和地面雷达站能够用每隔几分钟的频率 , 以 1 公里的解析度提供特定位置的测量资料 。相比之下 , 即便是目前世界上最先进的物理模型 , 也只能每 6 小时生成一次 9 公里解析度的资料 , 并提供每小时预报 。
而 MetNet-3 能够以短至 2 分钟的时间间隔 , 有效地处理和模拟收集到的观测资料,结合致密化技术、提前时间调节(Lead Time Conditioning)技术和高解析度直接观测方法,MetNet-3 可以产生时间解析度达 2 分钟的 24 小时预报 , 提供使用者更加精准和即时的天气预测信息 。
此外,相较于气象站观测的天气信息,MetNet-3 还使用了来自地面雷达所收集的降水估计值,因此学习数据范围更广,无论是在风速还是降水等方面 , MetNet-3 的预测结果都比业界最先进的物理模型好上不少 。
【谷歌推出天气模型 谷歌推出天气模型怎么设置】MetNet-3 的主要价值在于 , 能够即时以机器学习技术准确地预测天气,并在谷歌的产品上提供天气预报服务 。该模型根据不断搜集的最新数据 , 持续地创建完整精确地预报,研究人员提到,这和传统的物理推理系统不同,更能够满足天气预报的独特需求 。