Прогнозирование осадков важно для многих отраслей экономики — от сельского хозяйства до работы наземных авиаслужб. Но современные технологии из-за множества переменных (скорость и направление ветра, температура и т. д.) не всегда точно сообщают, какой объем осадков ожидается и какие области на карте охватит дождь.

Лучшие методы прогнозирования используют компьютерное моделирование физики атмосферы. Но предназначены они для долгосрочных прогнозов и в меньшей степени — для краткосрочных (от 60 минут). Методы глубокого обучения в метеорологии могут лишь точно определять один из нескольких параметров — либо направление дождевых масс, либо интенсивность осадков.

Команда DeepMind решила усовершенствовать существующие решения. Для этого она использовала данные с метеорадаров, которые отслеживают формирование и движение облаков. Объединение этих данных позволяет создавать покадровое видео с направлением облачности. Для DGMR задачу усложнили: ученые отправили в генеративную сеть, на подобии GAN, реальные снимки. Сеть моделировала фейковые изображения, продолжая последовательность реальных данных. Затем эти снимки анализировали модели глубокого обучения и современного физического моделирования.

Команда ученых попросила 56 синоптиков Метеорологическом бюро, не участвовавших в создании DGMR, сравнить полноту данных в двух прогнозах. В итоге 89% метеорологов предпочли DGMR. Прогноз на базе искусственного интеллекта оказался более полным по продолжительности и интенсивности осадков, направлению движения облаков и т. д. 

Команда DeepMind работала над проектом несколько лет. Результаты труда коллектива ученых представлены в научной статье в журнале Nature.