Google lance MetNet-3, « IA avancée de prévision météorologique », affirmant que ses résultats de prévision dépassent les modèles physiques traditionnels.

Il a été rapporté le 3 novembre que Google Research et DeepMind ont collaboré pour développer le dernier modèle météorologique MetNet-3. Ce modèle est basé sur les précédents MetNet et MetNet-2 Il peut prédire les conditions météorologiques mondiales 24 heures à l'avance. . Obtenez des prévisions haute résolution, notamment les précipitations, la température de surface, la vitesse du vent, la direction du vent et la température ressentie .

Ce site a découvert que Google avait mentionné que le modèle MetNet-3 avait été implémenté dans les prévisions météorologiques "Google Mobile Software" sur la plateforme mobile.

Le modèle MetNet-3 peut créer des prévisions « fluides et de haute précision » avec une résolution spatiale de 1 à 4 kilomètres et un intervalle d'analyse de 2 minutes. Des expériences ont prouvé que la capacité de prévision de MetNet-3 surpasse les modèles physiques de prévision météorologique traditionnels. Par exemple, les modèles physiques de base traditionnels « NWP (Numerical Weather Prediction) » et « Rapid Refresh Model (HRRR) » sont tous deux surpassés par MetNet-3.

MetNet-3 est différent des autres méthodes d'apprentissage automatique basées sur des méthodes traditionnelles de prévision météorologique. Le point clé est que MetNet-3 est formé et évalué directement via des données d'observation atmosphérique. Les chercheurs ont mentionné que l’avantage de l’observation directe réside dans une densité et une résolution de données plus élevées. De plus, en plus d'hériter des données du modèle MetNet précédent, MetNet-3 apprend également de nouvelles données de mesure de température et de vent provenant des stations météorologiques pour tenter d'effectuer des prévisions météorologiques complètes pour tous les emplacements.

Les chercheurs ont souligné que l'innovation clé de MetNet-3 est l'utilisation de la technologie de densification pour améliorer la précision et la couverture des prévisions météorologiques.

Dans les modèles traditionnels basés sur la physique, les prévisions météorologiques doivent généralement passer par deux étapes, Il s'agit de l'assimilation des données et de la simulation. L'assimilation des données fait référence à l'intégration de données d'observation réelles dans le modèle, tandis que la simulation prédit la météo sur la base de ces données.

MetNet-3 utilise la technologie de densification pour fusionner les deux étapes « d'assimilation de données » et de « simulation » via des réseaux de neurones afin d'obtenir des prévisions météorologiques plus rapides et plus directes. La technologie augmente l'efficacité avec laquelle les modèles acquièrent et traitent les données et utilise les réseaux neuronaux pour améliorer la précision des prévisions météorologiques. Dans le même temps, le modèle MetNet-3 est capable de traiter indépendamment chaque flux de données spécifique contenant des informations de contour, des informations satellite, des informations radar, etc., obtenant ainsi des prévisions météorologiques plus précises et plus complètes

De plus, "l'observation directe" les données sont utilisées comme apprentissage. Les échantillons apportent l'avantage d'une haute résolution basée sur l'espace et le temps au modèle MetNet-3. Les stations météorologiques et les stations radar au sol peuvent fournir des données de mesure à des endroits spécifiques avec une résolution de 1 km toutes les quelques minutes. En comparaison, même les modèles physiques les plus avancés au monde ne peuvent générer des données qu'à une résolution de 9 km et fournir des prévisions horaires toutes les 6 heures.

Et MetNet-3 peut traiter et simuler efficacement les données d'observation collectées à des intervalles aussi courts que 2 minutes, combinant la technologie de densification, la technologie de conditionnement des délais et la méthode d'observation directe à haute résolution, MetNet-3 peut produire des données sur 24 heures. prévisions avec une résolution temporelle de 2 minutes, fournissant aux utilisateurs des informations météorologiques plus précises et en temps réel.

De plus, MetNet-3 utilise également les estimations de précipitations provenant d'un radar au sol, qui dispose d'une plus large gamme de données d'apprentissage par rapport aux informations météorologiques observées par les stations météorologiques. Par conséquent, qu’il s’agisse de la vitesse du vent ou des précipitations, les résultats de prévision de MetNet-3 sont meilleurs que ceux des modèles physiques les plus avancés de l’industrie

La principale valeur de MetNet-3 est qu'il peut prédire avec précision la météo en temps réel grâce à la technologie d'apprentissage automatique et fournir des services de prévisions météorologiques sur les produits Google. Le modèle crée en permanence des prévisions complètes et précises basées sur les dernières données collectées en permanence. Les chercheurs ont mentionné que cela est différent des systèmes de raisonnement physique traditionnels et qu'il peut mieux répondre aux besoins uniques des prévisions météorologiques.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!