Google發布神經網絡天氣模型 幾秒鐘預測整個美國的降水量!

2020-12-01 驅動之家

準確預測未來幾分鐘到幾周的天氣是一項基本的科學挑戰，它可以對社會的許多方面產生廣泛影響。

據外媒報導，近日，在先前對降水量預報的研究基礎上，Google提出了MetNet，這是一種用於降水預報的神經天氣模型。

這種DNN（深神經網絡）在強大的專用硬體（如GPU和TPU）上使用並行計算，發現數據中的模式，並學習從輸入到所需輸出的複雜轉換。

DNN能夠在未來8小時內以1km 的解析度預報降水量，時間間隔為2分鐘。

MetNet的預測時間比NOAA（美國國家海洋和大氣管理局）目前使用的最先進的基於物理的模型提前了7-8小時。它可以在幾秒鐘內對整個美國的降水量進行預測，而NOAA 需要花費一小時。

Google正在積極研究如何改進全球天氣預報模型，尤其是在氣候快速變化很大的地區的準確性。雖然上文展示了美國大陸目前的MetNet模型，但它可以擴展到任何有足夠雷達和光學衛星數據的地區。

Google也希望通過今後與氣象界的合作，能夠帶來更大的改進。

- THE END -

轉載請註明出處：快科技

#谷歌#天氣#模型#神經網絡

責任編輯：小淳

相關焦點

  • Google發布神經天氣模型 幾秒鐘預測整個美國降水量
    原標題：Google發布神經天氣模型 幾秒鐘預測整個美國的降水量 來源：雷鋒網準確預測未來幾分鐘到幾周的天氣是一項基本的科學挑戰，它可以對社會的許多方面產生廣泛影響。很多氣象機構目前採用的預報是基於大氣的物理模型。儘管在過去幾十年有很大的改進，但這些模型本身受到計算要求的限制。並且，它們對物理定律的近似值非常敏感。
  • Google發布神經天氣模型,幾秒鐘預測整個美國的降水量
    近日，在先前對降水量預報的研究基礎上，Google 提出了 MetNet，這是一種用於降水預報的神經天氣模型。這種 DNN 能夠在未來 8 小時內以 1km 的解析度預報降水量，時間間隔為 2 分鐘。MetNet 的預測時間比 NOAA 目前使用的最先進的基於物理的模型提前了 7-8 小時。它可以在幾秒鐘內對整個美國的降水量進行預測，而 NOAA 需要花費一小時。
  • Google推出神經天氣預報模型:幾秒就能快速預測降水量
    準確預測未來幾分鐘到幾周的天氣是一項基本的科學挑戰，它可以對社會的許多方面產生廣泛影響。據外媒報導，近日，在先前對降水量預報的研究基礎上，Google提出了MetNet，這是一種用於降水預報的神經天氣模型。
  • 谷歌天氣模型MetNet 可預測未來8小時降水量
    在最新一期谷歌AI博客中，官方介紹了一款可以快速準確預測未來8小時內將水量的天氣模型MetNet，並表示該模型性能優於美國國家海洋和大氣管理局(NOAA)目前使用的最先進的物理模型，MetNet能在幾秒鐘內對整個國家進行預測，而此前則需要一個小時左右。
  • 谷歌研發8小時降水預報神經天氣模型
    準確預測未來幾分鐘到幾周的天氣是一項基本的科學挑戰，可對社會的許多方面產生廣泛影響。目前很多氣象機構的預報是基於大氣物理模型，雖然幾十年來預報技術取得了很大的進展，但是仍受物理定律和計算需求的限制。
  • 谷歌發布又快又準的神經天氣模型,可精準預測未來8小時降雨
    Google基於之前以機器學習即時預測降雨的研究，進一步發展用於降雨預報的神經天氣模型MetNet，這是一個深度神經網絡（DNN），能用來預報未來8小時內的降雨情況，以每2分鐘為一個區間，解析度可達1公裡，且比起美國國家海洋與大氣管理局（NOAA）目前最先進物理模擬模型表現還要好，計算時間只需要幾秒鐘
  • 神經網絡的性能竟然優於神經符號模型
    不僅如此，實驗結果證實，神經網絡的在關鍵任務上的效果還要更好。不需要預先訓練，完全無監督，居然這麼神奇？按照之前的常識，結合了算法和符號推理技術的神經符號模型（Neurosymbolic Models），會比神經網絡更適合於預測和解釋任務，此外，神經符號模型在反事實方面表現更好。
  • 神經網絡模型預測值 論文_bp神經網絡預測模型建模步驟 - CSDN
    每一個連接都有各自的權重，通常情況下是一些隨機值（關於如何對人工神經網絡的權重進行初始化是一個非常重要的話題，這將會直接影響到之後的訓練過程，以及最終整個模型的性能）。這個權重可以是負值，正值，非常小，或者非常大，也可以是零。和這個神經元連接的所有神經元的值都會乘以各自對應的權重。然後，把這些值都求和。
  • 基於深度神經網絡的脫硫系統預測模型及應用
    但上述改進仍未考慮脫硫系統大慣性的特點，FU J 等使的用 LSTM 網絡，就能實現信息在時序上傳遞。不過因其設計的網絡只使用了 LSTM 一種結構，神經網絡在結構設計上還有改進空間。基於上述分析，本文採用多種網絡結構和數據處理技術設計深度神經網絡模型，模型預測誤差水平和訓練代價顯著下降。
  • OpenAI發布「顯微鏡」,可視化神經網絡內部結構
    OpenAI Microscope顯微鏡地址：https://microscope.openai.com/models如上圖所示，初始版本包含8個計算機視覺領域的神經網絡模型。每個神經網絡都用可視化的形式展示了一些重要神經元的內部結構。
  • 江蘇省氣象臺發布本周降水量預測
    江蘇省氣象臺剛剛發布本周降水量預測：本周天氣預報前期（7月13日至16日）沿江和蘇南地區多降水天氣，累積雨量100～160毫米，局部200毫米左右，7月18日至19日暖溼氣流北抬，淮北地區有一次中等降水過程，同時，淮河以南局部地區有強雷電、短時強降水、8～10級雷雨大風等強對流天氣。
  • 如何評價Google神經機器翻譯(GNMT)系統?
    幾年前，Google開始使用循環神經網絡來直接學習一個輸入序列（如一種語言的一個句子）到一個輸出序列（另一種語言的同一個句子）的映射。其中基於短語的機器學習（PBMT）將輸入句子分解成詞和短語，然後對它們的大部分進行獨立翻譯，而神經網絡機器翻譯（NMT）則將整個輸入句子視作翻譯的基本單元。
  • 神經網絡實現分類與預測的基本原理
    文章目標：神經網絡特別是深層神經網絡是黑盒的，通過閱讀本文可以讓大家了解神經網絡的基本實現方法、基本數學原理、實現流程等，同時建議初學者從基礎學起，查詢更多的資料豐富認知，有不明白的地方可以關注作者或留言。
  • AutoML : 更有效地設計神經網絡模型
    verbose是一個參數，可以設置為0或1，這取決於你是否希望模型輸出訓練相關信息，比如潛在網絡的架構和每個epoch的搜索情況。然而，每個潛在架構都有數百個epoch，所以開啟這一項可能會佔用空間並減慢訓練速度。建議設置verbose=1，來顯示整個訓練的過程。因為整個搜索過程至少會持續幾分鐘才能完成。
  • 知識普及:卷積神經網絡模型是怎樣工作的?可以做些什麼?
    知識普及：卷積神經網絡模型是怎樣工作的？可以做些什麼？ 眾所周知，在過去的幾年裡，卷積神經網絡（CNN或ConvNet）在深度學習領域取得了許多重大突破，但對於大多數人而言，這個描述是相當不直觀的。因此，要了解模型取得了怎樣大的突破，我們應該先了解卷積神經網絡是怎樣工作的。 卷積神經網絡可以做些什麼？ 卷積神經網絡用於在圖像中尋找特徵。在CNN的前幾層中，神經網絡可以進行簡單的「線條」和「角」的識別。
  • 用飛槳做自然語言處理:神經網絡語言模型應用實例
    但這種方法會有一個很大的問題，那就是前面提到的維度災難，而這裡要實現的神經網絡語言模型（Neural Network Language Model），便是用神經網絡構建語言模型，通過學習分布式詞表示（即詞向量）的方式解決了這個問題。
  • 自動給神經網絡找bug,Google發布TensorFuzz
    給神經網絡捉蟲，更是比普通程序難得多：絕大部分bug都不會導致神經網絡崩潰、報錯，只能讓它訓練了沒效果，默默地不收斂。能不能把煉丹師們從無休止無希望的debug工作中拯救出來？兩位谷歌大腦研究員Augustus Odena和Ian Goodfellow說，好像能。他們推出了一種自動為神經網絡做軟體測試的方法：TensorFuzz。
  • 教程| 概率編程:使用貝葉斯神經網絡預測金融市場價格
    本文中，Alex Honchar 介紹了利用概率編程和 Pyro 進行價格預測的方法，相較於常規神經網絡，新方法對於數據的依賴程度更小，結果更準確。在實驗中，作者選擇了最近流行的虛擬貨幣「以太幣」作為實例進行價格預測。去年我曾發表過幾篇有關使用神經網絡進行金融價格預測的教程，我認為其中有一部分結果至少還挺有意思，並且值得在實際交易中加以應用。
  • 預測未來?Google 用 AI 模型實現了「近乎實時」的天氣預報
    對人類來說，時間一直是最大的敵人，超越時間一直是人類的夢想，「預測未來」就是人類想要超越時間的一種方式。天氣預報就是生活中最常見的一種「預測未來」，但就像剛才說的，預測天氣同樣也是非常困難的一件事。研究人員表示，快速的預測有著極大的現實意義，這將有效適應氣候變化，特別是極端天氣狀況下，快速預測會是一個非常重要的工具。短期預測對於某些危機規避有著很高的重要性，合適運用能夠有效避免生命和財產損失。Google 的預測最大優勢就是速度，然而這樣的速度是怎麼來的呢？