在一篇博文和相关论文中，谷歌的研究人员详细介绍了一个人工智能系统MetNet，它可以预测未来8小时内的降水。他们说，它比目前美国国家海洋和大气管理局(NOAA)使用的最先进的物理模型表现更好，而且它可以在几秒钟内而不是一小时内对整个美国进行预测。

它建立在谷歌之前的工作基础上，该工作使用了一个人工智能系统，通过摄取卫星图像来生成大约1公里分辨率的预测，延迟时间只有5-10分钟。虽然现在还处于初期阶段，但它可能成为一种预测工具，帮助企业、居民和地方政府更好地应对恶劣天气。

MetNet采用数据驱动和不涉及物理的方法来进行天气建模，这意味着它从示例中学习近似大气物理，而不是通过整合先前的知识。具体来说，它使用了来自地面雷达站的降水估计值和美国国家海洋和大气管理局的地球同步运行环境卫星的测量值，后者提供了大气中云层的自上而下的视图。这两个数据来源都覆盖美国大陆，提供可由模型处理的类似于图像的输入。

MetNet以1公里的分辨率执行每一个覆盖美国的64×64平方公里的区域。正如论文的作者所解释的那样，每个输出区域对应的物理覆盖面积要大得多——1024×1024平方公里，因为模型必须考虑到云层和降水场可能随时间的运动。例如，要提前8小时做出预测，假设云的移动速度达到每小时60公里，MetNet需要480公里(60 x 8)的上下文环境。

上图:以1.0毫米/小时的降水速率(越高越好)来评价f1的性能。神经天气模型(MetNet)在时间尺度上超过了目前在美国运行的基于物理的模型(HRRR)，时间尺度可提前8个小时。

MetNet的空间下采样器组件减少了内存消耗，同时找到并保留了相关的天气模式，其时间编码器将前90分钟的输入数据的快照编码为15分钟的片段。输出是一个离散的概率分布，估计美国大陆每平方公里给定降水率的概率。MetNet的一个关键优势是它针对密集并行计算进行了优化，并且非常适合在特殊硬件上运行，比如google设计的张量处理单元(TPUs)。这使得预测可以在几秒钟内并行进行，无论是对纽约市这样的特定地点，还是对整个美国。

研究人员在降水率预测基准上测试了MetNet，并将结果与美国国家海洋和大气管理局高分辨率快速更新(HRRR)系统的两个基线进行了比较，后者是目前在美国运行的物理天气预报模型，以及估计降水场或光场运动的基线模型。他们报告说，在降水速率阈值为每小时1毫米的情况下(即小雨)，MetNet在时间尺度提前8小时的情况下表现优于基于流的模型和HRRR系统。

“我们正在积极研究如何改善全球天气预报，特别是在快速气候变化影响最为深远的地区。”谷歌的研究科学家纳尔·卡什布伦纳和卡斯珀·斯内德比写道，“我们将展示目前美国大陆的MetNet模型，并可扩展至任何有足够雷达和光学卫星数据的地区。我们希望通过未来与气象界的合作，取得更大的进展。”