Google lance MetNet-3, « IA avancée de prévisions météorologiques », prétendant prédire des modèles physiques super-traditionnels

IT House a rapporté le 3 novembre que Google Research et DeepMind ont collaboré pour développer le dernier modèle météorologique MetNet-3. Ce modèle est basé sur les précédents MetNet et MetNet-2 et peut prédire les conditions météorologiques mondiales 24 heures à l'avance. y compris les précipitations, la température de surface, la vitesse du vent, la direction du vent et la température ressentie.

IT House a découvert que Google avait mentionné que le modèle MetNet-3 avait été implémenté dans les prévisions météorologiques « Google Mobile Software » sur la plate-forme mobile.

Le modèle MetNet-3 peut créer des prévisions « fluides et de haute précision » avec une résolution spatiale de 1 à 4 kilomètres et un intervalle d'analyse de 2 minutes. Des expériences ont prouvé que les capacités de prévision de MetNet-3 dépassent les modèles de prévision météorologique physique traditionnels. Par exemple, les modèles physiques de base traditionnels « NWP (Numerical Weather Prediction) » et « Rapid Refresh Model (HRRR) » sont tous deux dépassés par MetNet-3.

MetNet-3 est différent des autres méthodes d'apprentissage automatique basées sur des méthodes traditionnelles de prévision météorologique. La clé est d'utiliser directement les données d'observation atmosphérique pour la formation et l'évaluation. Les chercheurs ont noté que l’avantage de l’observation directe réside dans la densité et la résolution plus élevées des données. De plus, MetNet-3 hérite non seulement des données du modèle MetNet précédent, mais ajoute également des données de mesure de température et de vent provenant de stations météorologiques pour tenter de prédire de manière exhaustive les conditions météorologiques à divers endroits

Les chercheurs ont mentionné que l'innovation clé de MetNet-3 est l'utilisation d'une technologie appelée densification pour améliorer la précision et la portée des prévisions météorologiques.

Dans les modèles physiques de base traditionnels, la prévision météorologique nécessite généralement deux étapes, à savoir l'assimilation des données et la simulation. L'assimilation des données fait référence à l'intégration des données d'observation réelles dans le modèle, tandis que la simulation est basée sur ces données pour prédire la météo.

Dans MetNet-3, la technologie de densification qui combine les deux étapes « d'assimilation de données » et de « simulation » via des réseaux de neurones permet d'obtenir des prévisions météorologiques plus rapides et plus directes. Cette technologie rend le modèle plus efficace dans l'acquisition et le traitement des données, tout en utilisant des réseaux de neurones pour améliorer la précision des prévisions météorologiques. Le modèle MetNet-3 est capable de traiter chaque flux de données spécifique individuellement, y compris les informations de contour, les informations satellite, les informations radar, etc., pour obtenir des prévisions météorologiques plus précises et plus complètes

De plus, le modèle MetNet-3 utilise des données « directement observées » comme échantillons d'apprentissage pour bénéficier de l'avantage de la haute résolution basée sur l'espace et le temps. Les stations météorologiques et les stations radar au sol fournissent des mesures spécifiques à un emplacement toutes les quelques minutes avec une résolution de 1 kilomètre. En comparaison, même le modèle physique le plus avancé au monde ne peut générer des données qu'avec une résolution de 9 kilomètres et fournir des prévisions horaires toutes les 6 heures

MetNet-3 peut traiter et simuler efficacement les données d'observation collectées à des intervalles aussi courts que 2 minutes. En combinant la technologie de densification, la technologie de conditionnement des délais et les méthodes d'observation directe à haute résolution, MetNet-3 3 peut générer des prévisions sur 24 heures avec une heure. résolution de 2 minutes, offrant aux utilisateurs des informations météorologiques plus précises et en temps réel.

De plus, par rapport aux informations météorologiques observées par les stations météorologiques, MetNet-3 utilise également les estimations de précipitations collectées à partir du radar au sol, de sorte que la gamme de données d'apprentissage est plus large, que ce soit en termes de vitesse du vent ou de précipitations, les prévisions de MetNet-3. sont bien meilleurs que les modèles physiques les plus avancés de l’industrie.

La principale valeur de MetNet-3 est qu'il peut prédire avec précision la météo en temps réel grâce à la technologie d'apprentissage automatique et fournir des services de prévisions météorologiques sur les produits Google. Le modèle crée en permanence des prévisions complètes et précises basées sur les dernières données collectées en permanence. Les chercheurs ont mentionné que cela est différent des systèmes de raisonnement physique traditionnels et qu'il peut mieux répondre aux besoins uniques des prévisions météorologiques.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!