谷歌研究院與 DeepMind 合作開發(fā)了最新的天氣模型 MetNet-3，該模型以之前的 MetNet 和 MetNet-2為基礎，能夠提前 24 小時，能夠?qū)θ蛱鞖馇闆r進行高解析度預測，包括降水、表面溫度、風速、風向和體感溫度。
我們發(fā)現(xiàn)，谷歌提到，MetNet-3 模型已經(jīng)在移動平臺的“谷歌手機軟件”天氣預報中實裝。
MetNet-3 模型可創(chuàng)建“平滑且高精度”的預測，空間解析度可達 1 至 4 公里，并以 2 分鐘為分析區(qū)間，經(jīng)實驗證明，MetNet-3 的預測能力超越傳統(tǒng)物理天氣預報模型，例如傳統(tǒng)物理基礎模型“NWP（Numerical Weather Prediction）”及“快速刷新模型（HRRR）”均被MetNet-3超過。
MetNet-3 在預測天氣上，與其他建立在傳統(tǒng)方法之上的機器學習方法不同，關鍵點在于 MetNet-3 直接通過大氣觀測資料進行訓練和評估。研究人員提到，直接觀測的優(yōu)點在于數(shù)據(jù)密度及解析度更高。此外，除了繼承先前 MetNet 模型的數(shù)據(jù)之外，MetNet-3 還新增學習來自氣象站的氣溫、風力測量資料，以嘗試對所有位置進行全方位天氣預測。
研究人員提到，MetNet-3 的關鍵創(chuàng)新在于使用了一種稱為致密化（Densification）的技術，用以改進天氣預報的準確性和范圍。
在傳統(tǒng)物理基礎模型中，天氣預報通常需要經(jīng)過兩個步驟，分別是數(shù)據(jù)同化（Data Assimilation）和模擬（Simulation），數(shù)據(jù)同化是指將實際觀測資料融入到模型中，而模擬則是根據(jù)這些數(shù)據(jù)預測天氣。
在 MetNet-3 中，致密化技術是透過神經(jīng)網(wǎng)絡將“數(shù)據(jù)同化”和“模擬”兩個步驟合并在一起，達到更快更直接的天氣預測，這將使模型在獲取和處理資料時更高效，也能夠利用神經(jīng)網(wǎng)絡來改善天氣預報的準確性。并可讓 MetNet-3 模型能夠單獨處理每一個特定數(shù)據(jù)流，包含等高信息、衛(wèi)星信息與雷達信息等，進而獲得更為準確且全面的天氣預報。
此外，采用“直接觀測”的數(shù)據(jù)作為學習樣本，為 MetNet-3 模型帶來基于空間和時間的高解析度優(yōu)勢，氣象站和地面雷達站能夠用每隔幾分鐘的頻率，以 1 公里的解析度提供特定位置的測量資料。相比之下，即便是目前世界上最先進的物理模型，也只能每 6 小時生成一次 9 公里解析度的資料，并提供每小時預報。
而 MetNet-3 能夠以短至 2 分鐘的時間間隔，有效地處理和模擬收集到的觀測資料，結(jié)合致密化技術、提前時間調(diào)節(jié)（Lead Time Conditioning）技術和高解析度直接觀測方法，MetNet-3 可以產(chǎn)生時間解析度達 2 分鐘的 24 小時預報，提供使用者更加精準和即時的天氣預測信息。
此外，相較于氣象站觀測的天氣信息，MetNet-3 還使用了來自地面雷達所收集的降水估計值，因此學習數(shù)據(jù)范圍更廣，無論是在風速還是降水等方面，MetNet-3 的預測結(jié)果都比業(yè)界最先進的物理模型好上不少。
MetNet-3 的主要價值在于，能夠即時以機器學習技術準確地預測天氣，并在谷歌的產(chǎn)品上提供天氣預報服務。該模型根據(jù)不斷搜集的最新數(shù)據(jù)，持續(xù)地創(chuàng)建完整精確地預報，研究人員提到，這和傳統(tǒng)的物理推理系統(tǒng)不同，更能夠滿足天氣預報的獨特需求。
