摘要：
天气预报是一项长期的科学挑战，具有直接的社会和经济影响。 该任务适合于连续存储的大量数据和具有长期依赖关系的丰富时空结构。 我们引入了MetNet，这是一个神经网络，它以1 km2的高空间分辨率和2分钟的时间分辨率（以秒为单位）预测未来8小时的降水。 MetNet将雷达和卫星数据作为输入并预测提前期，并生成概率降水图。 该体系结构使用轴向自我关注来聚集来自对应于一百万平方公里的大型输入区域的全局上下文。 我们评估了MetNet在各种降水阈值下的性能，发现在美国大陆范围内，在长达7到8小时的预报中，MetNet优于数值天气预报。
Introduction
1.鞭尸NWP
2.提出使用DNN，数据是雷达(MRMS)和卫星(GOES)图像，夸MetNet性能好
Precipitation Forecasting
我们将降水预测作为一个结构化的预测问题，其中输出以三维张量的形式出现。
张量的每个值对应于一个时间和一个位置和降水率。
Model
模型的输入如图：除了卫星和雷达图，还包括海拔，经纬度，时间等要素。
总结
模型依靠一个时间信息的通道，来预测未来某个时刻的降雨信息，比如同样是-90min-0min的图像，将时间信息设置为1，可能是预测未来15min的，设置为2就是30min。最后得到的是一个离散型的一个降雨分布。
可能有用的地方：1.没有用Encoder-forcastor模型，采用的是卷积下采样+ConvLSTM+attention，大概相当于是只有Encoder的部分外加attention。2.加入了时间信息（并非是图像本身时间，而是要预测的时间），这样同样的图像序列，可以预测15min的也可以预测30min的，每次只预测一张图。3.雷达和卫星图分开处理，再concat，用上了所有通道的信息，且有图像本身的海拔时间经纬度等时空信息。
可能存在的问题：1.模型本身不是卫星图的外推模型（采用了各种信息），输出的是一个降雨量的预测值。2.如果放到序列预测里面，相当于是模型每次预测一张图，再将这几张图放到一起作为一个序列，图像的连贯性可能得不到保证。跟Encoder-forcastor模型最大差别在于t时刻预测图中没有用到t-1时刻预测图的信息。相当于是外推的信息来源完全来自原始图像输入。