对未来高精度的长时天气预报对社会生产生活的方方面面都具有重要意义，但目前精确的长时预测依然是气象基础科学领域所面临的基础科学问题和重大挑战。目前绝大多数气象机构采用的天气预报系统主要基于大气的物理模型来进行计算，尽管在过去几十年数值计算预报取得了长足的进步，但预报的精度仍然受到计算硬件的限制，并对支配大气现象物理规律的近似十分敏感。

深度学习为气象学界提供了一种克服上述限制的可行方向：与显式地探索和利用气象物理规律不同，DNNs将从输入的气象数据中发现天气的变化模式，并学习出输入数据到气象预测间的复杂变换，并利用像GPUs和TPUs等强大的算力工具并行化的处理大规模的气象数据。

最近来自谷歌的研究人员提出了基于深度学习的降水预测模型MetNet实现了1km空间分辨率以及2min时间分辨率的高精度预测，在实际测试中超过了NOAA使用的大气模型结果，并实现了全美范围内提前7－8小时的预测，为深度学习解决复杂的气象问题提供了新的解决方案。

模型的输入来自动收集的地面雷达站数据和卫星数据，经过计算后输出概率分布从而可以计算出每个地理区域降水的不确定性。上图显示了美国大陆未来2mins到480mins的降水概率。

基于神经网络的天气模型

MetNet的不同在于它不依赖于显式的大气动力学模型，而是直接基于气象观测数据进行学习。其数据来源于地面雷达站和NOAA的卫星系统，涵盖了降水和云层的测量信息。研究人员将这两类数据通过图片的方式输出模型以便高效计算。

模型的预测范围是1km分辨率下的64kmx64km，由于天气系统的动力学特性模型实际需要覆盖的物理范围却远大于预测的区域。模型需要考虑云层和降水区域的移动和大气的相关运动。例如云层的移动速度是60km／h，那么八小时的预测就需要覆盖至少480km的区域。综合考虑后研究人员为每个64kmx64km区域提供了1024kmx1024km范围的输入数据。

输入数据的尺寸为1024kmx1024km，预测输出为64kmx64km．

由于处理1024kmx1024km分辨率需要消耗非常大的内存，研究人员对输入数据进行下采样以降低计算需求，同时保持了输入数据中相关天气的模式。随后利用基于LSTM的时域编码器在时间维度上进行降采样，将先前90mins的数据以15mins的间隔进行编码。时域编码器的输出随后被送入到空间聚合器中，并给予自注意力机制高效地抽取数据中长程空间相关性。基于丰富的上下文信息对64kmx64km的区域进行预测。最终的输出结果为给定降水率下每平方公里的概率分布。

下图显示了MetNet的网络架构 ，输入观测数据通过空间降采样和时间编码进行处理，而后利用轴注意力层为模型提供输入数据的全局信息。

优异的预报结果

为了验证这一模型的效果，研究人员在降水量预测基准上进行了测评，同时与NOAA基于气象模型的高精度预报系统HRRR和基于光流的短时基线模型进行了比较。基于神经网络的重大优势在于对计算密集型任务的并行化优化可以在GPU和TPU等专用硬件达到非常高的性能，对于全国或者特定城市都只需要几秒钟的推理时间，而其余方法则需要超级计算机一个小时的计算。

下图展示了三种方法的定量结果，MetNet在八小时预测上超过了NOAA的HRRR系统，并比流模型具有更好的连续性。

一毫米降雨量下的F1分数，图中蓝线显示了MetNet的性能十分优异

由于大气系统的随机性，预测不确定性随时间而增长。由于MetNet是概率模型，我们可以可视化呈现不确定性随时间的增长。而HRRR不能直接预测概率，下图显示了两种模型预测结果的比较。

顶部的MetNet、底部的HRRR以及中间的基准进行比较。

HRRR预测的结果更为锐利结构更为丰富，但结构的精确性却不及MetNet。这主要是由于模型初始条件的不确定性引起的。

左侧的HRRR结果只输出了单个可能的结果，而右侧的MetNet则考虑了未来结果的不确定性，为所有可能的预测提供了综合的研判结果。