返回资讯中心
外部精选
软件工程
#开发者实时流

DeepMind 开放其 AI 气象模型背后的两个数据集

来源标题:DeepMind opens the datasets behind its AI weather models

DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,供研究者开发气象、水文与气候应用。SatWeave 是地球同步卫星影像的全球拼图,提供云和风暴的实时视图;PARDIG 是基于 AI 的全球降水数据集,曾用于训练其 WeatherNext 3 模型的降水预报。两个数据集的历史存档和实时数据流均已开放。

Hacker News 最新ersinesen2026/11/13 · 4 天前14 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

分享 已复制 我们发布 PARDIG 和 SatWeave,帮助研究人员和开发者构建新的天气、水文和气候应用。 要理解和预测地球的天气与水循环,首先取决于我们当下能多好地观测地球。卫星和地面仪器持续、高精度地监测着这颗星球。但要把这些原始测量转化为一幅连贯的全球图景并快速提供出来,是一项重大的科学与工程挑战。 今天,我们发布两个基础数据集 SatWeave 和 PARDIG,以支持全球社区构建天气、水文和气候应用。这两个数据集对我们近期发布的 WeatherNext 3 模型的进步至关重要。SatWeave 是全球静止卫星影像的镶嵌图,为模型提供发展中的云和风暴的实时视图。PARDIG 是一个基于 AI 的全球降水数据集,用于训练该模型的降水预报。我们同时提供这两个数据集的历史存档和实时数据流,使研究人员和开发者能将其用于建模和下游应用。 SatWeave 融合了五颗卫星的影像,它们覆盖全球不同区域:GOES-East 和 GOES-West、Meteosat 0 和 Meteosat Indian Ocean,以及 Himawari。由于每颗卫星使用不同的地图投影、文件格式、传感器和扫描时间表(从 10 到 30 分钟不等),要形成一幅连贯的全球图并不容易。现有的大多数全球合成产品会舍弃不兼容的方面,只提供四个或更少的通道,或者每几小时才更新一次。 SatWeave 将六颗静止卫星的观测融合成一幅全球镶嵌图,涵盖 17 个可见光、水汽和红外通道。 SatWeave 每小时更新一次,因此 WeatherNext 3 能够生成新的全球预测,而与之相对,基于每六小时更新一次的分析数据初始化的模型则做不到这一点。我们发布这一每小时实时数据流,以及跨越十多年的历史存档。 虽然我们已在 WeatherNext 3 的中期天气预报中使用了 SatWeave,但我们非常期待与更广泛的研究和开发者社区一起探索太阳能发电和野火监测等预报应用。 降水影响着从粮食和水供应到洪涝和干旱风险的一切,然而在全球范围内准确追踪降水仍是一项重大挑战。地面雷达和密集的雨量计网络能提供高质量数据,但并非所有地区都有这些设施,或者覆盖范围不够好。 为帮助弥合这一差距,我们开发了 PARDIG(Precipitation AI Reanalysis: Densely Inferred GPM)。PARDIG 基于与 WeatherNext 3 类似的 AI 架构,直接使用 NASA 全球降水测量(GPM)核心观测站的稀疏星载雷达观测进行训练,并以 SatWeave 影像和 ECMWF 的大气场作为输入。其成果是一幅高度准确的全球降水图,时间分辨率为 15 分钟,空间分辨率约为 10 公里,平均延迟约五小时更新。 2025 年 7 月得克萨斯丘陵地区山洪暴发期间的逐小时降雨,对比了基于地面的 NOAA MRMS 雷达(左,约 1 公里)、近实时的 PARDIG(中,约 10 公里)和 IMERG-Final(右,约 10 公里)。 我们已将 PARDIG 与美国、欧洲和日本的三个大陆雷达网络以及全球超过 36,000 个气象站进行了评估。在所有分析的降雨强度下,PARDIG 均优于领先的全球基线,包括 NASA 的 IMERG-Final——这是一个研究级降水估算数据集,对无数应用极为重要。在小到中等降水上,PARDIG 的逐小时降水检测能力比 IMERG-Final 提升超过 30%。它在捕捉极端降水方面尤为有效,而现有全球产品在检测极端降水时往往力不从心。 2016 至 2023 年针对美国、欧洲和日本地面雷达网络评估的逐小时降水检测能力(临界成功指数)。降水强度阈值以对数刻度绘制,从 0.2 到 25 毫米/小时,轴上标出了小雨(0.3 毫米/小时)、中雨(2.5 毫米/小时)和大雨(20 毫米/小时)。 由于 PARDIG 直接从卫星学习,而非仅依赖地面测量,我们预计它在地球上任何地方都具有可靠的准确性,即使是在没有这些地面测量的地区也是如此。 除实时数据流外,我们还发布 1999 至 2026 年的 PARDIG 历史存档。虽然 WeatherNext 3 将 PARDIG 用于中期天气预报,但我们很高兴能与社区合作并赋能社区,探索改进洪水、滑坡和干旱模型,尤其是在没有密集地面雷达网络的地区。 SatWeave 和 PARDIG 的实时及历史数据集现已在 Google Cloud Storage 上公开提供。PARDIG 的历史目录也可在 Google Earth Engine 中获取。作为 Google Earth AI 产品组合的最新成员,我们希望这些数据集能赋能世界各地的研究人员,开辟将天气观测与关键的现实应用相连接的新方式。 这项工作由 Google DeepMind 和 Google Research 的多个团队开发,并与 Google Cloud 和 Google Geo 合作完成。我们感谢那些以开放卫星项目和数据集使这项工作得以实现的机构,包括 ECMWF、NASA、JAXA、NOAA、EUMETSAT、KMA、JMA、KNMI 和 Synoptic Data。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →