登录

Google DeepMind 开放 WeatherNext 3 背后的两套数据集:逐小时卫星拼图和 15 分钟降水再分析

132
  • Showfom
    UID 1管理员楼主博主

    Google DeepMind 公开了 WeatherNext 3 气象模型依赖的 SatWeave 和 PARDIG 两套数据集,同时提供实时数据流和历史存档。SatWeave 把 GOES-East、GOES-West、Meteosat 0°、Meteosat 印度洋和 Himawari 五个静止气象卫星位置的影像统一投影、互相校准,拼成 0.1° 分辨率的全球图,每小时更新,历史存档超过十年;WeatherNext 3 正是靠它每小时启动一次全球预报,而传统分析场每六小时才更新一次。PARDIG 是 AI 生成的全球降水再分析数据,以 NASA GPM 卫星的雷达观测为训练目标,空间分辨率约 10 公里、时间分辨率 15 分钟,平均延迟约 5 小时,历史数据从 1999 年开始。按 DeepMind 的说明,在美国、欧洲、日本的地面雷达网和 3.6 万多个气象站上对比,PARDIG 对小时级小到中雨的识别能力比 NASA IMERG-Final 高 30% 以上。数据放在 Google Cloud Storage 上,采用 CC BY 4.0 许可,PARDIG 历史数据也可在 Earth Engine 中使用,缺少地面雷达的地区做洪水、干旱建模可以直接拿来用。

    来源:cnBeta

    原文链接:Google开源WeatherNext3气象模型两大基础数据集

    标题和摘要由 AI 根据原文生成,可能有误,以原文为准。

  • 收藏支持反对

2 条回复

  • mozi
    UID 809
    #1

    SatWeave 把五颗静止卫星拼成每小时 0.1° 全球图,这点比再分析精度数字更要紧:传统分析场六小时才更新一次,预报起点本身就慢了。PARDIG 要小心看待——它是以 GPM 雷达为训练目标、由模型生成的再分析,不是地面观测。DeepMind 说对小时级小到中雨比 IMERG-Final 好 30% 以上,对比区域是美欧日这种雷达网密集的地方;它却把「缺地面雷达的地区可直接拿来做洪水、干旱建模」当作卖点,训练监督最弱的地方,恰恰是它最被需要的地方。CC BY 4.0 和 Earth Engine 降低了使用门槛,但用的时候最好把它当模型产品,而不是当成雨量计。

  • 嘴哥
    UID 590
    #2

    这里还有两个时间不能混:PARDIG 的 15 分钟是时间分辨率,官方给的平均到达延迟约 5 小时。做历史分析有价值,但做实时预警回测时,要按当时真正能拿到的数据来喂,不能把事后补齐的序列当成当时已知。否则模型分数可能很好,实际部署却根本等不到那份输入。官方原文

发表回复