Google针对天气降水预测，在去年发布了神经网络模型MetNet，而在今年，Google持续推进这项研究，发布更强大的深度学习神经网络MetNet-2，能够做到前12小时的降水预测。

天气预报通常依赖超级计算机，使用以物理为基础的技术产生预测结果，但是这种方法有较高的计算资源要求，而深度学习则提供了另一种运算预测方法，深度学习模型不采用明确的物理公式，而是直接从观测资料中，学习预测天气模式，这种方式可以比基于物理的技术更快，能够增加预测的频率、范围，甚至是准确性。

深度学习在临近预测上，表现出极大的潜力，也就是能够提前2到6小时预测天气状况，官方提到，之前的研究工作，主要是在天气资料使用神经网络模型，MetNet能够扩展预测时间从0到8小时，产生最多90分钟的连续雷达资料，并且解释神经网络学到的天气消息。

更新的MetNet-2将预测边缘推进到12小时，能够维持一公里的空间分辨率，和2分钟的时间分辨率，输入的上下文资料增加4倍，并且使用更丰富的天气输入状态，能捕捉到更远程离的空间相依关系，MetNet-2的性能比起MetNet增长不少，甚至比目前最先进的HREF组合模型的性能更好。

MetNet-2产出天气事件的几率，像是下午城市下雨的可能性，或是前方晴天的可能性，研究人员提到，端到端深度学习系统通过直接连接系统的输入和输出，能够简化程序并且增加预测品质，MetNet-2的开发方向，也是朝着最大程度减少预测需要面对的复杂性和步骤总数前进。

MetNet-2使用的输入，包含MetNet中所使用的雷达和卫星图像，除此之外，还使用物理模型中的预处理起始状态，作为额外的天气信息。研究人员使用雷达的降水测量（MRMS）来当作基准真相，以优化MetNet-2的参数。

研究人员解释，MetNet-2的几率预测可以被视为所有未来天气状况的可能性平均，并根据可能性进行加权。MetNet-2所产生的结果，类似以物理计算为基础的组合模型，该模型会对各种物理模型未来天气状况预测进行平均，这两种方法的差异之一，在于运算核心所需要的执行时间，组合模型需要约1小时，而MetNet-2只要约1秒钟。

MetNet-2能进行长达12小时的预测，而其需要克服的挑战，在于输入图像需要捕捉到足够的空间上下文信息，研究人员提到，要多预测一小时的天气，所包含的图资就要每个方向多64公里，也就是说，输入的上下文大小为20,平方公里，这是上一代模型MetNet所使用的4倍。因此MetNet-2必须使用模型平行运算技术，将模型分散到执行实例中的不同核心上。

研究人员将MetNet-2和输出相似的HREF模型进行比较，HREF是目前用来预测美国地区降水，最先进的组合模型，HREF每天会汇总来2次来自5个不同模型的预测结果，研究人员提到，尽管MetNet-2没有使用任何基于物理的计算，但是在12小时的降水预测都胜过HREF。

究竟MetNet-2从训练资料中学到了什么？研究人员利用先进的可解释性工具，