it之家 11 月 3 日消息，谷歌研究院与 deepmind 合作开发了最新的天气模型 metnet-3，该模型以之前的 metnet 和 metnet-2 为基础，能够提前 24 小时，能够对全球天气情况进行高解析度预测，包括降水、表面温度、风速、风向和体感温度。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
IT之家发现，谷歌提到，MetNet-3 模型已经在移动平台的“谷歌手机软件”天气预报中实装。
MetNet-3 模型可创建“平滑且高精度”的预测，空间解析度可达 1 至 4 公里，并以 2 分钟为分析区间，经实验证明，MetNet-3 的预测能力超越传统物理天气预报模型，例如传统物理基础模型“NWP（Numerical Weather Prediction）”及“快速刷新模型（HRRR）”均被 MetNet-3 超过。
MetNet-3 在预测天气方面与其他基于传统方法的机器学习方法不同，其关键之处在于直接利用大气观测数据进行训练和评估。研究人员指出，直接观测的优势在于数据的密度和分辨率更高。此外，MetNet-3 不仅继承了先前的 MetNet 模型数据，还新增了来自气象站的气温和风力测量数据，以尝试全方位地预测各个位置的天气情况
研究人员提到，MetNet-3 的关键创新在于使用了一种称为致密化（Densification）的技术，用以改进天气预报的准确性和范围。
在传统物理基础模型中，天气预报通常需要经过两个步骤，分别是数据同化（Data Assimilation）和模拟（Simulation），数据同化是指将实际观测资料融入到模型中，而模拟则是根据这些数据预测天气。
在MetNet-3中，通过神经网络将“数据同化”和“模拟”两个步骤合并在一起的致密化技术，能够实现更快、更直接的天气预测。这种技术使得模型在获取和处理数据时更加高效，同时利用神经网络来提高天气预报的准确性。MetNet-3模型能够单独处理每个特定数据流，包括等高信息、卫星信息和雷达信息等，从而获得更准确、更全面的天气预报
此外，MetNet-3 模型采用“直接观测”的数据作为学习样本，以获得基于空间和时间的高解析度优势。气象站和地面雷达站能够以每隔几分钟的频率，以1公里的解析度提供特定位置的测量资料。与此相比，即便是目前世界上最先进的物理模型，也只能每6小时生成一次9公里解析度的资料，并提供每小时预报
而 MetNet-3 能够以短至 2 分钟的时间间隔，有效地处理和模拟收集到的观测资料，结合致密化技术、提前时间调节（Lead Time Conditioning）技术和高解析度直接观测方法，MetNet-3 可以产生时间解析度达 2 分钟的 24 小时预报，提供使用者更加精准和即时的天气预测信息。
此外，相较于气象站观测的天气信息，MetNet-3 还使用了来自地面雷达所收集的降水估计值，因此学习数据范围更广，无论是在风速还是降水等方面，MetNet-3 的预测结果都比业界最先进的物理模型好上不少。
MetNet-3 的主要价值在于，能够即时以机器学习技术准确地预测天气，并在谷歌的产品上提供天气预报服务。该模型根据不断搜集的最新数据，持续地创建完整精确地预报，研究人员提到，这和传统的物理推理系统不同，更能够满足天气预报的独特需求。
