Google führt die „fortgeschrittene Wettervorhersage-KI' MetNet-3 ein und behauptet, dass seine Vorhersageergebnisse traditionelle physikalische Modelle übertreffen

Am 3. November wurde berichtet, 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. Es kann globale Wetterbedingungen 24 Stunden im Voraus vorhersagen . Erhalten Sie hochauflösende Vorhersagen einschließlich Niederschlag, Oberflächentemperatur, Windgeschwindigkeit, Windrichtung und gefühlter Temperatur .

Auf dieser Website wurde festgestellt, 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 2-Minuten-Analyseintervall erstellen. Experimente haben gezeigt, dass die Vorhersagefähigkeit von MetNet-3 herkömmliche physikalische Wettervorhersagemodelle übertrifft. Beispielsweise werden die traditionellen physikalischen Basismodelle „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 entscheidende Punkt ist, dass MetNet-3 direkt anhand atmosphärischer Beobachtungsdaten trainiert und ausgewertet wird. Die Forscher erwähnten, dass der Vorteil der direkten Beobachtung in einer höheren Datendichte und Auflösung liegt. Darüber hinaus erbt MetNet-3 nicht nur die Daten des vorherigen MetNet-Modells, sondern lernt auch neu Temperatur- und Windmessdaten von Wetterstationen, um zu versuchen, umfassende Wettervorhersagen für alle Standorte durchzuführen.

Forscher wiesen darauf hin, dass die wichtigste Innovation von MetNet-3 der Einsatz von Verdichtungstechnologie ist, um die Genauigkeit und Abdeckung von Wettervorhersagen zu verbessern

In traditionellen physikbasierten Modellen muss die Wettervorhersage normalerweise zwei Schritte durchlaufen: Sie sind Datenassimilation und Simulation. Datenassimilation bezieht sich auf die Integration tatsächlicher Beobachtungsdaten in das Modell, während die Simulation das Wetter auf der Grundlage dieser Daten vorhersagt.

MetNet-3 nutzt Verdichtungstechnologie, um die beiden Schritte „Datenassimilation“ und „Simulation“ durch neuronale Netze zusammenzuführen, um schnellere und direktere Wettervorhersagen zu erzielen. Die Technologie erhöht die Effizienz, mit der Modelle Daten erfassen und verarbeiten, und nutzt neuronale Netze, um die Genauigkeit von Wettervorhersagen zu verbessern. Gleichzeitig kann das MetNet-3-Modell jeden spezifischen Datenstrom, der Konturinformationen, Satelliteninformationen, Radarinformationen usw. enthält, unabhängig verarbeiten und so eine genauere und umfassendere Wettervorhersage erhalten

Darüber hinaus sind „direkte Beobachtungsdaten“ verfügbar Die Verwendung als Lernproben bringt dem MetNet-3-Modell den Vorteil einer hohen räumlichen und zeitlichen Auflösung. Wetterstationen und Bodenradarstationen können alle paar Minuten Messdaten an bestimmten Orten mit einer Auflösung von 1 km liefern. Im Vergleich dazu können selbst die fortschrittlichsten physikalischen Modelle der Welt nur Daten mit einer Auflösung von 9 km generieren und alle 6 Stunden stündliche Vorhersagen liefern.

Und 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 hochauflösender direkter Beobachtungsmethode kann MetNet-3 24-Stunden-Daten liefern Vorhersagen mit einer Zeitauflösung von 2 Minuten, wodurch Benutzer genauere Wettervorhersageinformationen in Echtzeit erhalten.

Darüber hinaus nutzt MetNet-3 auch Niederschlagsschätzungen vom Bodenradar, das im Vergleich zu den von Wetterstationen beobachteten Wetterinformationen über eine größere Bandbreite an Lerndaten verfügt. Unabhängig davon, ob es sich um Windgeschwindigkeit oder Niederschlag handelt, sind die Vorhersageergebnisse von MetNet-3 besser als die fortschrittlichsten physikalischen 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, dass seine Vorhersageergebnisse traditionelle physikalische Modelle übertreffen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!