Google发表又快又准的神经天气模型MetNet，可精准预测未来8小时降雨

Google基于之前以机器学习即时预测降雨的研究，进一步发展用于降雨预报的神经天气模型MetNet，这是一个深度神经网络（DNN），能用来预报未来8小时内的降雨情况，以每2分钟为一个区间，分辨率可达1公里，且比起美国国家海洋与大气管理局（NOAA）目前最先进物理模拟模型表现还要好，计算时间只需要几秒钟，较原本需要1小时的运算时间快上不少。

Google提到，许多气象机构目前的预报系统，都是采用大气物理模型，虽然过去几年预测技术有很大的进展，但是仍受物理定律和计算需求局限。而Google发展的天气预报方法，则是以深度神经网络进行预测，这种方法不需要计算明确的物理定律，而是透过发现资料中的模式，并且计算输入到输出之间的复杂转换。

新发表的MetNet可以直接自动取用，来自多雷达多感测器系统（MRMS），以及NOAA静止环境观测卫星（GOES）系统，由上而下的大气云图，而且不需要经人为注释，这两个资料源可以完全覆盖美国境内，并且提供模型能方便处理的类图像资料。

MetNet以1公里的分辨率，计算每个覆盖美国的单位区块，而每单位区块范围为64*64平方公里，不过，Google解释，输入资料实际覆盖的单位区块，比起输出资料的单位区块还要大得多，这是因为要考虑预测时间内云层和降水区域可能的移动。

假设云层以每小时60公里的速度移动，为了要足够精确地预测8小时后情况，MetNet在所有方向都需要撷取60*8的空间，因此要对64*64平方公里的区域进行预测，就要用到涵盖1024*1024平方公里区块的资料。

但因为处理1024*1024平方公里的资料需要极大量的内存，因此Google利用采样的方式，减少需要处理的空间维度，藉以降低内存使用，并且以15分钟为一个单位，对输入的资料进行快照编码，接着找出资料内长距离空间相依关系，以最终产生64*64平方公里的输出。这个输出为离散的概率分布，估计了美国每平方公里的降雨概率。

Google将MetNet和另外两种常用的天气预测基准做比较，分别是NOAA的HRRR系统，HRRR系统是美国目前正在使用的物理天气预报系统，另一种则是用来评估大气活动的光流法（Optical Flow），可有效的预测2小时内的降雨。

MetNet明显的优势是最佳化了计算过程，无论是针对特定位置或是整个美国进行计算，都可以在几秒钟内取得预测结果，HRRR之类的物理模型，则需要在超级电脑上计算约1小时。在精确度上，在8小时内的降雨预测精确度，MetNet可以胜过HRRR，而且始终比光流法还要好。不过，HRRR物理模型预测出来的结果，比MetNet更清楚也更加结构化。