谷歌推出「先進天氣預報AI」MetNet-3，號稱預測超傳統實體模型

IT之家11 月3 日消息，Google研究院與DeepMind 合作開發了最新的天氣模型MetNet-3，該模型以之前的MetNet 和MetNet-2 為基礎，能夠提前24 小時，能夠對全球天氣情況進行高解析度預測，包括降水、表面溫度、風速、風向和體感溫度。

IT之家發現，Google提到，MetNet-3 模型已經在行動平台的「Google手機軟體」天氣預報中實裝。

MetNet-3 模型可建立「平滑且高精度」的預測，空間解析度可達1 至4 公里，並以2 分鐘為分析區間，經實驗證明，MetNet-3 的預測能力超越傳統物理天氣預報模型，例如傳統實體基礎模型「NWP（Numerical Weather Prediction）」及「快速刷新模型（HRRR）」均被MetNet-3 超過。

MetNet-3 在預測天氣方面與其他基於傳統方法的機器學習方法不同，其關鍵之處在於直接利用大氣觀測資料進行訓練和評估。研究人員指出，直接觀測的優點在於數據的密度和解析度更高。此外，MetNet-3 不僅繼承了先前的 MetNet 模型數據，還新增了來自氣象站的氣溫和風力測量數據，以嘗試全方位地預測各個位置的天氣狀況

研究人員提到，MetNet-3 的關鍵創新在於使用了一種稱為緻密化（Densification）的技術，以改善天氣預報的準確性和範圍。

在傳統物理基礎模型中，天氣預報通常需要經過兩個步驟，分別是資料同化（Data Assimilation）和模擬（Simulation），資料同化是指將實際觀測資料融入模型中，而模擬則是根據這些數據預測天氣。

在MetNet-3中，透過神經網路將「資料同化」和「模擬」兩個步驟合併在一起的緻密化技術，能夠實現更快、更直接的天氣預測。這種技術使得模型在獲取和處理數據時更加高效，同時利用神經網路來提高天氣預報的準確性。 MetNet-3模型能夠單獨處理每個特定資料流，包括等高資訊、衛星資訊和雷達資訊等，從而獲得更準確、更全面的天氣預報

此外，MetNet-3 模型採用「直接觀測」的資料作為學習樣本，以獲得基於空間和時間的高分辨率優勢。氣象站和地面雷達站能夠以每隔幾分鐘的頻率，以1公里的解析度提供特定位置的測量資料。與此相比，即便是目前世界上最先進的實體模型，也只能每6小時產生一次9公里解析度的資料，並提供每小時預報

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，結合緻密化技術、提前時間調節（Lead Time Conditioning）技術和高分辨率直接觀測方法， MetNet-3 可產生時間解析度達2 分鐘的24 小時預報，提供使用者更精準且即時的天氣預報資訊。

此外，相較於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，因此學習數據範圍更廣，無論是在風速還是降水等方面，MetNet-3的預測結果都比業界最先進的實體模型好上不少。

MetNet-3 的主要價值在於，能夠即時以機器學習技術準確地預測天氣，並在Google的產品上提供天氣預報服務。模型根據不斷蒐集的最新數據，持續地創建完整精確地預報，研究人員提到，這和傳統的物理推理系統不同，更能夠滿足天氣預報的獨特需求。

以上是谷歌推出「先進天氣預報AI」MetNet-3，號稱預測超傳統實體模型的詳細內容。更多資訊請關注PHP中文網其他相關文章！