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,對更多天氣核心變數進行高解析度預測,包括降水、表面溫度、風速、風向和露點。

MetNet-3可創建平滑且高精細度的預測,以2分鐘為區間,空間解析度可從4公里至1公里,經實驗證明,MetNet-3的預測能力超越傳統數值天氣預報模型,不只比單一成員的物理基礎NWP(Numerical Weather Prediction)模型如高解析度快速刷新模型(HRRR)更好,同時也超越了多成員的物理基礎NWP模型,像是集合預報套件(ENS)。

MetNet在預測天氣上,與其他建立在傳統方法之上的機器學習方法不同,關鍵點在於MetNet直接透過大氣觀測資料進行訓練和評估。研究人員提到,直接觀測的優點在於資料更具高傳真(Fidelity),解析度也更高。除了繼承先前MetNet模型的資料來源之外,MetNet-3還新增氣象站氣溫與風的量測資料,目標是要在所有位置進行天氣預測。

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,用以改進天氣預報的準確性和範圍。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到模型中,而模擬則是根據這些資料預測天氣。

在MetNet-3中,緻密化技術是透過神經網路將兩步驟合併在一起,達到更快更直接的天氣預測,如此不只使模型在獲取和處理資料更高效,也能夠用神經網路來改善預報準確性。藉由緻密化技術,MetNet-3能夠單獨處理每一個特定資料流,像是地形、衛星與雷達等,進而獲得更為準確且全面的天氣預報。

直接觀測為MetNet-3模型帶來空間和時間的高解析度優勢,氣象站和地面雷達站能夠用每隔幾分鐘的頻率,以1公里的解析度提供特定位置的測量資料。相比之下,即便是最先進的ENS,也只能每6小時生成一次9公里解析度的資料,並提供每小時的預報。

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)技術和高解析度直接觀測方法,MetNet-3可以產生時間解析度達2分鐘的24小時前預報,提供使用者更加精準和即時的天氣預測資訊。

相較於氣象站觀測的變數資料,MetNet-3使用來自地面雷達所收集的降水估計值,因此資料更加密集,而MetNet-3使用與之前MetNet模型相似的降水建模方法,但是能夠將高解析度的降水預報,擴展到與其他變數相同的24小時提前時間。無論是在風速還是降水(下圖)等天氣變數,MetNet-3的預測結果都比ENS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。該模型根據不斷流入的資料,持續地創建完整的預報,研究人員提到,這和傳統的推理系統不同,能夠滿足天氣資料的獨特需求。

目前Google先在美國鄰近地區和歐洲,以MetNet-3提供12小時即時降水預報,用戶已經可以在Google天氣相關產品獲取到相關資訊。

熱門新聞

Advertisement