11 月 3 日消息，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。
本站发现，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 模型可以创建“平滑且高精度”的预测，空间分辨率可以达到1至4公里，并且以2分钟为分析区间。经过实验证明，MetNet-3 的预测能力超越了传统的物理天气预报模型，例如传统的物理基础模型“NWP（Numerical Weather Prediction）”和“快速刷新模型（HRRR）”都被 MetNet-3 所超过
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。
研究人员指出，MetNet-3的关键创新在于采用了致密化技术，以提高天气预报的准确性和覆盖范围
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。
MetNet-3 中采用致密化技术，通过神经网络将“数据同化”和“模拟”两个步骤合并，以实现更快速、更直接的天气预测。该技术提高了模型获取和处理数据的效率，并利用神经网络改善了天气预报的准确性。同时，MetNet-3 模型能够单独处理包含等高信息、卫星信息和雷达信息等的每个特定数据流，从而获得更准确、更全面的天气预报
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，MetNet-3 还利用来自地面雷达的降水估计值，与气象站观测的天气信息相比，其学习数据范围更广。因此，无论是风速还是降水等方面，MetNet-3 的预测结果都优于业界最先进的物理模型
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。
以上是谷歌推出'先进天气预报 AI”MetNet-3，号称预测结果超过传统物理模型的详细内容。更多信息请关注PHP中文网其他相关文章！
