Google基於之前以機器學習即時預測降雨的研究，進一步發展用於降雨預報的神經天氣模型MetNet，這是一個深度神經網路（DNN），能用來預報未來8小時內的降雨情況，以每2分鐘為一個區間，解析度可達1公里，且比起美國國家海洋與大氣管理局（NOAA）目前最先進物理模擬模型表現還要好，計算時間只需要幾秒鐘，較原本需要1小時的運算時間快上不少。
Google提到，許多氣象機構目前的預報系統，都是採用大氣物理模型，雖然過去幾年預測技術有很大的進展，但是仍受物理定律和計算需求侷限。而Google發展的天氣預報方法，則是以深度神經網路進行預測，這種方法不需要計算明確的物理定律，而是透過發現資料中的模式，並且計算輸入到輸出之間的複雜轉換。
新發表的MetNet可以直接自動取用，來自多雷達多感測器系統（MRMS），以及NOAA靜止環境觀測衛星（GOES）系統，由上而下的大氣雲圖，而且不需要經人為註釋，這兩個資料源可以完全覆蓋美國境內，並且提供模型能方便處理的類圖像資料。
MetNet以1公里的解析度，計算每個覆蓋美國的單位區塊，而每單位區塊範圍為64*64平方公里，不過，Google解釋，輸入資料實際覆蓋的單位區塊，比起輸出資料的單位區塊還要大得多，這是因為要考慮預測時間內雲層和降水區域可能的移動。
假設雲層以每小時60公里的速度移動，為了要足夠精確地預測8小時後情況，MetNet在所有方向都需要擷取60*8的空間，因此要對64*64平方公里的區域進行預測，就要用到涵蓋1024*1024平方公里區塊的資料。
但因為處理1024*1024平方公里的資料需要極大量的記憶體，因此Google利用採樣的方式，減少需要處理的空間維度，藉以降低記憶體使用，並且以15分鐘為一個單位，對輸入的資料進行快照編碼，接著找出資料內長距離空間相依關係，以最終產生64*64平方公里的輸出。這個輸出為離散的機率分布，估計了美國每平方公里的降雨機率。
Google將MetNet和另外兩種常用的天氣預測基準做比較，分別是NOAA的HRRR系統，HRRR系統是美國目前正在使用的物理天氣預報系統，另一種則是用來評估大氣活動的光流法（Optical Flow），可有效的預測2小時內的降雨。
MetNet明顯的優勢是最佳化了計算過程，無論是針對特定位置或是整個美國進行計算，都可以在幾秒鐘內取得預測結果，HRRR之類的物理模型，則需要在超級電腦上計算約1小時。在精確度上，在8小時內的降雨預測精確度，MetNet可以勝過HRRR，而且始終比光流法還要好。不過，HRRR物理模型預測出來的結果，比MetNet更清楚也更加結構化。
線