卫星基高分辨率全球 nowcasting 的操作性深度学习系统
机器学习
2025-10-16 v1 大气与海洋物理
摘要
降水 nowcasting，即预测未来数小时内的降雨，对全球南部频繁遭受强烈快速发展气象暴雨的脆弱社区具有至关重要。及时预测为保护生命和财产提供了关键的时间窗口。传统的数值天气预报（NWP）方法面临高延迟、低空间和时间分辨率以及全球范围内准确性显著差异等问题。近年来，常见于全球北方的机器学习 nowcasting 方法，由于雷达覆盖范围极稀疏，无法扩展到全球南部。我们提出 Global MetNet，一个操作性全球机器学习 nowcasting 模型。它利用全球降水任务（Global Precipitation Mission）的 CORRA 数据集、地球同步卫星数据和全球 NWP 数据，预测未来 12 小时的降水。该模型在空间分辨率约为 0.05{\deg}（约 5km）、时间分辨率为 15 分钟。Global MetNet 在行业标准的每小时预报之上显著优异，技能水平显著提升，使其在世界更大范围内具有实用性。我们的模型在数据稀疏地区的技能水平优于即使在美国实现的最高分辨率 NWP 模型。通过使用地面雷达和卫星数据进行验证，显示在关键指标（如关键成功指数和分数技能分数）方面对所有降水率和 lead time 均实现显著提升。至关重要的是，我们的模型在生成预报时间下降到一分钟以下，使其能够轻松部署用于实时应用。它已经在 Google Search 为数百万用户部署。本工作代表了减少全球预报质量差距并将稀疏的高分辨率卫星观测集成到气象预报中的关键一步。
引用
@article{arxiv.2510.13050,
title = {An Operational Deep Learning System for Satellite-Based High-Resolution Global Nowcasting},
author = {Shreya Agrawal and Mohammed Alewi Hassen and Emmanuel Asiedu Brempong and Boris Babenko and Fred Zyda and Olivia Graham and Di Li and Samier Merchant and Santiago Hincapie Potes and Tyler Russell and Danny Cheresnick and Aditya Prakash Kakkirala and Stephan Rasp and Avinatan Hassidim and Yossi Matias and Nal Kalchbrenner and Pramod Gupta and Jason Hickey and Aaron Bell},
journal= {arXiv preprint arXiv:2510.13050},
year = {2025}
}