谷歌详细介绍了MetNet，这是一种比NOAA更好的人工智能模型，可以预测降水

 
在一篇博客文章和随附的论文中，Google的研究人员详细介绍了一个AI系统-MetNet-该系统可以预测未来八小时内的降水量。他们说，它优于美国国家海洋和大气管理局(NOAA)使用的当前最先进的物理模型，并且可以在几秒钟内而不是一个小时内对整个美国进行预测。
它以Google先前的工作为基础，该公司创建了一个AI系统，该系统可以吸收卫星图像，以大约1公里的分辨率和仅5-10分钟的延迟生成预测。尽管还处于初期阶段，但它可以为预测工具铺平道路，该工具可以帮助企业，居民和地方政府更好地为恶劣天气做准备。
MetNet对天气建模采用了数据驱动且无物理的方法，这意味着它从示例中学习了近似大气物理，而不是通过整合先验知识来学习。具体来说，它使用从地面雷达站获得的降水量估算值以及从NOAA的地球静止运行环境卫星获得的测量值，这些卫星提供了自上而下的大气层云图。这两个来源都覆盖了美国大陆，提供了可由模型处理的类似图像的输入。
在覆盖美国的每64 x 64公里方格中以1公里分辨率执行MetNet。正如该论文的作者所解释的那样，与每个输出区域相对应的物理覆盖范围要大得多，即1,024 x 1,024公里/平方千米-因为该模型必须考虑云层和降水场随时间推移可能产生的运动。例如，要假设在未来8小时内云以每小时60公里的速度移动，MetNet需要480公里(60 x 8)的上下文。
MetNet的空间下采样器组件可以减少内存消耗，同时查找并保留相关的天气模式，其时间编码器可以将15分钟内来自输入数据的前90分钟的快照进行编码。输出是离散的概率分布，用于估计美国大陆每平方公里给定降水速率的概率。
MetNet的主要优势之一是它针对密集和并行计算进行了优化，并且非常适合在特殊硬件上运行，例如Google设计的张量处理单元(TPU)。无论是针对特定位置(例如纽约市还是整个美国)，这都可以在几秒钟内并行进行预测。
研究人员在降水率预报基准上测试了MetNet，并将结果与​​两个基线进行了比较-NOAA高分辨率快速刷新(HRRR)系统(这是目前在美国运行的物理天气预报模型)和用于估计运动的基线模型。降水场或光学场他们报告说，就F1分数而言，每小时降水量阈值为1毫米(相当于小雨)，MetNet在基于时间的模型上和基于HRRR的系统在长达8小时的时间尺度上均表现出色。
Google研究科学家Nal Kalchbrenner和CasperSønderby写道：“我们正在积极研究如何改善全球天气预报，尤其是在快速气候变化影响最深的地区。” “虽然我们演示了美国本土的当前MetNet模型，但可以将其扩展到涵盖可提供足够雷达和光学卫星数据的任何区域。此处介绍的工作是这项工作中的一个小垫脚石，我们希望通过与气象界的进一步合作来带来更大的进步。”