Google führt die „fortgeschrittene Wettervorhersage-KI“ MetNet-3 ein und behauptet, supertraditionelle physikalische Modelle vorherzusagen

IT House berichtete am 3. November, dass Google Research und DeepMind bei der Entwicklung des neuesten Wettermodells MetNet-3 zusammengearbeitet haben. Dieses Modell basiert auf dem vorherigen MetNet und MetNet-2 und kann globale Wetterbedingungen 24 Stunden im Voraus vorhersagen einschließlich Niederschlag, Oberflächentemperatur, Windgeschwindigkeit, Windrichtung und gefühlte Temperatur.

IT House hat herausgefunden, dass Google erwähnt hat, dass das MetNet-3-Modell in der Wettervorhersage „Google Mobile Software“ auf der mobilen Plattform implementiert wurde.

Das MetNet-3-Modell kann „reibungslose und hochpräzise“ Vorhersagen mit einer räumlichen Auflösung von 1 bis 4 Kilometern und einem Analyseintervall von 2 Minuten erstellen. Experimente haben gezeigt, dass die Vorhersagefähigkeiten von MetNet-3 herkömmliche physikalische Wettervorhersagemodelle übertreffen Beispielsweise werden die traditionellen physikalischen Grundmodelle „NWP (Numerical Weather Prediction)“ und „Rapid Refresh Model (HRRR)“ beide von MetNet-3 übertroffen.

MetNet-3 unterscheidet sich von anderen maschinellen Lernmethoden, die auf herkömmlichen Methoden zur Vorhersage des Wetters basieren. Der Schlüssel liegt in der direkten Verwendung atmosphärischer Beobachtungsdaten für Training und Bewertung. Die Forscher stellten fest, dass der Vorteil der direkten Beobachtung in der höheren Dichte und Auflösung der Daten liegt. Darüber hinaus erbt MetNet-3 nicht nur die Daten des vorherigen MetNet-Modells, sondern fügt auch Temperatur- und Windmessdaten von Wetterstationen hinzu, um zu versuchen, die Wetterbedingungen an verschiedenen Standorten umfassend vorherzusagen

Forscher erwähnten, dass die wichtigste Innovation von MetNet-3 der Einsatz einer Technologie namens Verdichtung ist, um die Genauigkeit und den Umfang von Wettervorhersagen zu verbessern.

In herkömmlichen physikalischen Grundmodellen erfordert die Wettervorhersage normalerweise zwei Schritte, nämlich Datenassimilation und Simulation. Unter Datenassimilation versteht man die Integration tatsächlicher Beobachtungsdaten in das Modell, während die Simulation das Wetter auf der Grundlage dieser Daten vorhersagt.

In MetNet-3 kann die Verdichtungstechnologie, die die beiden Schritte „Datenassimilation“ und „Simulation“ durch neuronale Netze kombiniert, schnellere und direktere Wettervorhersagen erzielen. Diese Technologie macht das Modell effizienter bei der Erfassung und Verarbeitung von Daten und nutzt gleichzeitig neuronale Netze, um die Genauigkeit von Wettervorhersagen zu verbessern. Das MetNet-3-Modell ist in der Lage, jeden spezifischen Datenstrom einzeln zu verarbeiten, einschließlich Konturinformationen, Satelliteninformationen, Radarinformationen usw., um genauere und umfassendere Wettervorhersagen zu erhalten

Darüber hinaus nutzt das MetNet-3-Modell „direkt beobachtete“ Daten als Lernbeispiele, um den Vorteil einer hohen räumlichen und zeitlichen Auflösung zu erzielen. Wetterstationen und Bodenradarstationen liefern alle paar Minuten ortsspezifische Messungen mit einer Auflösung von 1 Kilometer. Im Vergleich dazu kann selbst das fortschrittlichste physikalische Modell der Welt nur Daten mit einer Auflösung von 9 Kilometern generieren und alle 6 Stunden stündliche Vorhersagen liefern

MetNet-3 kann die gesammelten Beobachtungsdaten in Intervallen von nur 2 Minuten effektiv verarbeiten und simulieren. Durch die Kombination von Verdichtungstechnologie, Lead Time Conditioning-Technologie und hochauflösenden direkten Beobachtungsmethoden kann MetNet-3 3 24-Stunden-Vorhersagen mit einer Zeitspanne erstellen Auflösung von 2 Minuten, wodurch Benutzer genauere Wettervorhersageinformationen in Echtzeit erhalten.

Darüber hinaus verwendet MetNet-3 im Vergleich zu den von Wetterstationen beobachteten Wetterinformationen auch Niederschlagsschätzungen, die vom Bodenradar gesammelt wurden, sodass der Bereich der Lerndaten größer ist, sei es in Bezug auf Windgeschwindigkeit oder Niederschlag, die Vorhersagen von MetNet-3 sind viel besser als die fortschrittlichsten physischen Modelle der Branche.

Der Hauptvorteil von MetNet-3 besteht darin, dass es mit maschineller Lerntechnologie das Wetter in Echtzeit genau vorhersagen und Wettervorhersagedienste für Google-Produkte bereitstellen kann. Das Modell erstellt kontinuierlich vollständige und genaue Vorhersagen auf der Grundlage der neuesten kontinuierlich gesammelten Daten. Die Forscher erwähnten, dass es sich von herkömmlichen physikalischen Schlussfolgerungssystemen unterscheidet und den besonderen Anforderungen der Wettervorhersage besser gerecht werden kann.

Das obige ist der detaillierte Inhalt vonGoogle führt die „fortgeschrittene Wettervorhersage-KI“ MetNet-3 ein und behauptet, supertraditionelle physikalische Modelle vorherzusagen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!