#Google#Google发布神经天气模型，几秒钟预测整个美国的降水量( 二 ) |物理|气象|雷达|

本文插图
神经气象模型 MetNet 的结构
结果
研究人员根据一个降水率预测基准对 MetNet 进行评估，并将结果与两个基线进行比较：NOAA 高分辨率快速刷新 HRRR 系统，这是目前在美国运行的物理天气预测模型；一个估计降水场运动（即光流）的基线模型，它是一种在预测时间少于 2 小时时，表现也很好的方法。
Google 的神经天气模型的一个显著优点是，它是为密集并行计算而优化的，并且非常适合在专用硬件（如 TPU）上运行。无论是针对纽约市这样的特定地点还是针对整个美国，预测可以在几秒钟内并行进行。而像 HRRR 这样的物理模型在超级计算机上的运行时间约为一小时。
在下面的图表中，研究人员量化了 MetNet、HRRR 和光流基线模型之间的性能差异。这里展示了这三个模型所取得的性能，在降水率阈值为 1.0mm/h（相当于小雨）时使用 F1 分数进行评估。 MetNet 神经天气模型能够在 8 小时内超过 NOAA-HRRR 系统，并且始终优于基于流量的模型。

本文插图
1.0 mm/h 降水率（越高越好）下的 F1 得分评估性能。神经天气模型（MetNet）比目前在美国运行的基于物理的模型（HRRR）的时间尺度要提前 8 小时。
由于大气的随机性，未来天气状况的不确定性随着预测时间的延长而增加。
MetNet 是一个概率模型，随着预测时间的延长，预测的不确定性在可视化中表现为预测的日益平滑。相反， HRRR 并不直接进行概率预测，而是会对未来的降水情况进行单一的预测。下图比较了 MetNet 模型和 HRRR 模型的输出。

本文插图
从 NOAA MRMS 系统获得的 MetNet（上）和 HRRR（下）到地面真值（中）的输出之间的比较。注意，虽然 HRRR 模型预测的结构似乎更接近于基本事实，但预测的结构可能严重错误。
与 MetNet 模型相比， HRRR 物理模型的预测更清晰、更结构化。但其结构，特别是预测结构的准确时间和位置的精度较低。这是由于初始情况和模型参数的不确定性造成的。

本文插图
HRRR（左）从许多可能的结果中预测单个潜在的未来结果（红色），而 MetNet（右）通过分配未来结果的概率直接解释不确定性。
研究人员对 HRRR 和 MetNet模型之间进行了比较，感兴趣的可以打开视频观看：https://youtu.be/-dAvqroX7ZI
未来方向
Google 正在积极研究如何改进全球天气预报模型，尤其是在气候快速变化很大的地区的准确性。虽然上文展示了美国大陆目前的 MetNet 模型，但它可以扩展到任何有足够雷达和光学卫星数据的地区。本文提出的工作是这一努力的一个小小的垫脚石， Google 希望通过今后与气象界的合作，能够带来更大的改进。
via：https://ai.googleblog.com/2020/03/a-neural-weather-model-for-eight-hour.html
雷锋网雷锋网雷锋网