11 月 3 日消息，谷歌研究院與 DeepMind 合作開發了最新的天氣模型 MetNet-3，該模型以之前的 MetNet 和 MetNet-2 為基礎，能夠提前 24 小時，能夠對全球天氣情況進行高解析度預測，包括降水、表面溫度、風速、風向和體感溫度。

IT之家發現，谷歌提到，MetNet-3 模型已經在移動平臺的“谷歌手機軟件”天氣預報中實裝。

MetNet-3 模型可創建“平滑且高精度”的預測，空間解析度可達 1 至 4 公里，并以 2 分鐘為分析區間，經實驗證明，MetNet-3 的預測能力超越傳統物理天氣預報模型，例如傳統物理基礎模型“NWP（Numerical Weather Prediction）”及“快速刷新模型（HRRR）”均被 MetNet-3 超過。

MetNet-3 在預測天氣上，與其他建立在傳統方法之上的機器學習方法不同，關鍵點在于 MetNet-3 直接通過大氣觀測資料進行訓練和評估。研究人員提到，直接觀測的優點在于數據密度及解析度更高。此外，除了繼承先前 MetNet 模型的數據之外，MetNet-3 還新增學習來自氣象站的氣溫、風力測量資料，以嘗試對所有位置進行全方位天氣預測。

研究人員提到，MetNet-3 的關鍵創新在于使用了一種稱為致密化（Densification）的技術，用以改進天氣預報的準確性和范圍。

在傳統物理基礎模型中，天氣預報通常需要經過兩個步驟，分別是數據同化（Data Assimilation）和模擬（Simulation），數據同化是指將實際觀測資料融入到模型中，而模擬則是根據這些數據預測天氣。

在 MetNet-3 中，致密化技術是透過神經網絡將“數據同化”和“模擬”兩個步驟合并在一起，達到更快更直接的天氣預測，這將使模型在獲取和處理資料時更高效，也能夠利用神經網絡來改善天氣預報的準確性。并可讓 MetNet-3 模型能夠單獨處理每一個特定數據流，包含等高信息、衛星信息與雷達信息等，進而獲得更為準確且全面的天氣預報。

此外，采用“直接觀測”的數據作為學習樣本，為 MetNet-3 模型帶來基于空間和時間的高解析度優勢，氣象站和地面雷達站能夠用每隔幾分鐘的頻率，以 1 公里的解析度提供特定位置的測量資料。相比之下，即便是目前世界上最先進的物理模型，也只能每 6 小時生成一次 9 公里解析度的資料，并提供每小時預報。

而 MetNet-3 能夠以短至 2 分鐘的時間間隔，有效地處理和模擬收集到的觀測資料，結合致密化技術、提前時間調節（Lead Time Conditioning）技術和高解析度直接觀測方法，MetNet-3 可以產生時間解析度達 2 分鐘的 24 小時預報，提供使用者更加精準和即時的天氣預測信息。

此外，相較于氣象站觀測的天氣信息，MetNet-3 還使用了來自地面雷達所收集的降水估計值，因此學習數據范圍更廣，無論是在風速還是降水等方面，MetNet-3 的預測結果都比業界最先進的物理模型好上不少。

MetNet-3 的主要價值在于，能夠即時以機器學習技術準確地預測天氣，并在谷歌的產品上提供天氣預報服務。該模型根據不斷搜集的最新數據，持續地創建完整精確地預報，研究人員提到，這和傳統的物理推理系統不同，更能夠滿足天氣預報的獨特需求。