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。