近日，谷歌推出 MetNet-2 深度学习模型，并将其应用在天气预测上。
天气预报深刻影响着人们的日常生活，不仅在粮食生产、运输系统和能源网络等方面发挥着重要作用，也可对暴雨等恶劣天气进行预警，从而保护人们的生命和财产安全。
现今对天气状况的预测多是基于大气的物理模型，通常依赖于由超级计算机驱动的传统物理技术，因此易受到高计算要求的限制，并且对其所依据的物理定律的近似性很敏感。
是否有雨与有没有云并不是完全相关，仅从卫星图像推断降水仍有挑战性。
深度学习为天气预测提供了一种新的方法。深度学习模型是根据观测到的数据来对天气进行预测，并不包含有关大气动态的确切物理定律，速度比基于物理的技术更快，甚至可以增加预测的范围和准确性。
目前深度学习技术在临近预报(Nowcasting)上更有应用前景，即预测未来 2~6 小时的天气。
MetNet-2 的前身 MetNet 是一个可进行 8 小时降水预测的神经天气模型，两者都是一种深度神经网络(DNN)。MetNet 在一定程度上要好于美国国家海洋和大气管理局(NOAA)采用的模型，其不需要人工注释，并可在几秒内对全美国进行预测，而 NOAA 则需要几小时。
谷歌认为，对天气的预测还可以通过改进扩展到更长期时间中，为此，谷歌将神经网络降水模型的预测边界推至 12 小时，同时保持 1 公里的空间分辨率和 2 分钟的时间分辨率。
相比 MetNet ，MetNet-2 的性能大大提高，能够最大限度地减少创建预测所涉及的复杂性和步骤总数。
对于长达 12 小时，甚至更长的预测，捕获更全面的大气快照(Snapshot of the Atmosphere)至关重要，这需要温度、湿度和风向等信息。MetNet-2 的输入信息来源于雷达和卫星图像，并将物理模型中的预处理启动状态作为额外天气信息的预测基础。
MetNet-2 对天气的 12 小时预测，面临的一个大的挑战是要在输入图像中获取尽可能多的空间背景。假设云层移动速度为 60千米/时，为了提前 12 小时捕获大气的时间动态，深度学习模型需要 60 x 12 = 720 公里的全方位空间背景。
MetNet-2 在输入端每个方向所包含的背景面积是 MetNet 的 4 倍。为能够处理如此大的空间背景，MetNet-2 将 MetNet 的注意层(Attentional Layers)替换为了计算效率更高的卷积层(Convolutional Layers)，并使用扩张的接受字段，以连接输入中彼此相距较远的点。
MetNet-2 对天气的预测可被视为对未来全部可能的天气条件求平均值，并根据其可能性进行加权。由于其概率性，MetNet-2 类似于基于物理的集成模型(Ensemble Models)，但两者有一个显著区别，那就是计算核心部分的持续时间，集成模型需要约 1 小时，而 MetNet-2 只需要约 1 秒。
可以说，MetNet-2 在提前 12 小时进行天气预报要比美国最先进的降水集合模型之一高分辨率集合预报(The High Resolution Ensemble Forecast，HREF)系统更准确。
考虑到大气的随机性，预测的时间越长，就越难准确地对天气条件进行确定。相比之下，MetNet-2 要比 HREF 更有优势。MetNet-2 是一种概率模型，时间越长，预测的平滑度越高。而 HREF 只是一种预测单一未来的方法。
下图提供了 MetNet-2、HREF 与多雷达 / 多传感器系统(MULTI-RADAR/MULTI-SENSOR SYSTEM，MRMS)的预测选择。MRMS 展示的结果代表了地面实况天气，也就是 MetNet-2 和 HREF 试图预测的结果。
在研究 MetNet-2 从训练数据中学到了什么样的天气物理关系时，谷歌使用先进的可解释性工具、跟踪各种输入功能对 MetNet-2 在不同预测时间轴上性能的影响后发现，MetNet-2 像是在按照准地转理论(Quasi-Geostrophic Theory)来进行模拟。准地转理论常被用作大规模天气现象的有效近似。
可以说，MetNet-2 向实现新的天气预报建模模式迈出了一步，但其还面临着许多挑战。谷歌说：“我们仍有一些地方需要提升。比如，使用更多有关大气的原始数据，而不是使用物理模型中预处理的起始状态，还要扩大天气现象的范围、将提前时间范围增加到几天和几周等。”
2015 年，Nature上刊登的一篇文章《数字天气预报的静悄悄革命》(The quiet revolution of numerical weather prediction)[1]曾提到，“作为一个计算问题，全球天气预报可与人脑模拟和早期宇宙演化相媲美。” 谷歌表示，其正在大力研究以改进目前的天气预报模式，也希望通过与气象界的合作，使这项工作能够获得更大的进展。
营业执照公示信息