Résumé :
Google DeepMind a récemment publié officiellement les deux ensembles de données de base, SatWeave et PARDIG, sur lesquels est basé le modèle météorologique WeatherNext 3. Il ouvre des flux de données en temps réel et des données historiques archivées aux chercheurs et développeurs scientifiques du monde entier, fournissant ainsi un support de données pour la météo, l'hydrologie, la recherche climatique et la modélisation d'applications dans des domaines connexes.
SatWeave est un ensemble mondial de données d'épissage d'images satellite qui intègre les données d'observation de cinq satellites météorologiques géostationnaires : GOES-East, GOES-West, Meteosat 0, Meteosat Indian Ocean Star et Himawari, pour surmonter les différences de données entre les différents satellites en termes de projection cartographique, de format de fichier, de capteurs, de rythme de balayage, etc. Cet ensemble de données est mis à jour toutes les heures et conserve les archives historiques pendant plus de dix ans. Il peut prendre en charge WeatherNext 3 pour effectuer des prévisions météorologiques mondiales heure par heure basées sur des images de nuages en temps réel et des changements de tempêtes. Par rapport au cycle de mise à jour de six heures des données d'analyse traditionnelles, la rapidité est considérablement améliorée. La communauté de la recherche scientifique peut également élargir l'ensemble de données et l'appliquer à divers scénarios tels que l'estimation de la production d'énergie photovoltaïque et la surveillance des incendies de forêt.
PARDIG est un ensemble de données mondiales de réanalyse des précipitations construit sur la base d'une architecture d'intelligence artificielle. Il adopte une architecture de transformateur à grille graphique sphérique, utilise les données d'observation radar par satellite de mesure des précipitations mondiales de la NASA comme référence de formation, et saisit et intègre les images satellite SatWeave et les données de champ atmosphérique du Centre européen de prévisions météorologiques à moyen terme. La résolution spatiale de l'ensemble de données est d'environ 10 kilomètres, la résolution temporelle peut aller jusqu'à 15 minutes et le délai moyen des données est d'environ 5 heures.
Comparées et évaluées par trois réseaux de radars basés sur des continents aux États-Unis, en Europe et au Japon et par plus de 36 000 stations météorologiques à travers le monde, les performances de reconnaissance de l'intensité des précipitations de PARDIG sont meilleures que celles d'ensembles de données similaires tels que NASA IMERG-Final. Parmi eux, la capacité d'identifier les précipitations horaires légères et modérées est de plus de 30 % supérieure à celle d'IMERG-Final, et ses performances en matière de capture des précipitations extrêmes sont exceptionnelles. Grâce aux caractéristiques techniques de l'apprentissage direct des informations d'observation par satellite, cet ensemble de données peut toujours maintenir une précision des données relativement fiable dans les zones dépourvues de radar au sol et de sites d'observation des précipitations.
Il est entendu que cette fois, Google ouvrira simultanément au monde extérieur les archives historiques PARDIG de 1999 à 2026, ainsi que les flux de données en temps réel des deux ensembles de données SatWeave et PARDIG. Toutes les données sont hébergées sur Google Cloud Storage Platform et sont rendues publiques dans le cadre du contrat de licence CC BY 4.0. (Chun juin)
Articles connexes :
DeepMind lance Gemini Robotics 2.5 : taux de réussite de 96 % lors du tri pilote dans l'usine Mercedes-Benz
DeepMind lance AlphaGenome 2 pour examiner en profondeur les cellules individuelles afin de trouver le lien entre la variation génétique et la maladie
Commentaires