Google DeepMind i Google Research przedstawili WeatherNext 3 — opisywany jako najbardziej zaawansowany i najdokładniejszy globalny model pogodowy w historii według niezależnych ocen na żywo przeprowadzonych przez Brightband. Flagowy model prognostyczny AI wykorzystuje dane satelitarne w czasie rzeczywistym, godzinowe odświeżanie, wyższą rozdzielczość, precyzyjne prognozowanie opadów oraz nowe zmienne czystej energii. Jest już zintegrowany z Google Search, aplikacją Gemini, Google Maps, Google Maps Platform i Google Cloud.

Codziennie pogoda wpływa na miliardy decyzji. Niektóre są tak proste, jak wzięcie parasola przed wyjściem z domu, ale inne mają znacznie poważniejsze konsekwencje. Wiatr, deszcz oraz ekstremalne zjawiska pogodowe, takie jak fale upałów i susze, wywierają lawinowe skutki w rolnictwie, globalnych łańcuchach dostaw, produkcji czystej energii i gospodarkach narodowych.

W ostatnich latach AI zrewolucjonizowała prognozowanie pogody, wykorzystując zapisy historyczne do szybszych i dokładniejszych prognoz niż metody tradycyjne. Wydany w 2023 roku GraphCast od DeepMind przewyższył konwencjonalne systemy numeryczne pod względem wielu wskaźników i pomógł ugruntować uczenie maszynowe jako wiarygodne uzupełnienie prognoz opartych na fizyce, obok wysiłków innych organizacji, takich jak Europejskie Centrum Prognoz Średnioterminowych (ECMWF) i jego otwartoźródłowy model AIFS. Przewidywanie pogody bardzo lokalnej i szybko zmieniającej się pozostawało jednak wyzwaniem. Wcześniejsze modele często nie miały wystarczającej rozdzielczości przestrzennej i miały trudności z wykorzystaniem danych pogodowych w czasie rzeczywistym ze źródeł takich jak satelity.

WeatherNext 3 uczy się bezpośrednio z obserwacji w czasie rzeczywistym, co umożliwia terminowe i bardziej zlokalizowane prognozy zjawisk pogodowych o największym wpływie na ludzi. Dzięki wykorzystaniu surowych danych satelitarnych do generowania wysokorozdzielczej prognozy co godzinę model czyni wiarygodne prognozy dostępnymi w produktach Google na całym świecie.

Szybkie prognozy pogody w bezprecedensowej rozdzielczości

Użyteczność prognozy sprowadza się często do szczegółowości — jak precyzyjnie rozstrzyga ona zarówno czas, jak i przestrzeń. WeatherNext 3 generuje prognozy godzinowe w wielu rozdzielczościach przestrzennych, zachowując spójność fizyczną od szerokich globalnych wzorców wiatrowych aż po lokalną topografię.

Model wizualizuje kluczowe zmienne przygruntowe, takie jak temperatura i wilgotność, w rozdzielczości 5 kilometrów, inne zmienne przygruntowe w rozdzielczości 10 kilometrów, a zmienne atmosferyczne, takie jak prędkość wiatru, w rozdzielczości 25 kilometrów. Ogólnie daje to globalny obraz pogody około pięć razy ostrzejszy niż w przypadku poprzednika, WeatherNext 2, który generował prognozy na siatce 25-kilometrowej w odstępach 6-godzinnych.

Architekturalnie WeatherNext 3 pobiera na żywo godzinowe mozaiki danych satelit geostacjonarnych wraz z tradycyjną analizą historyczną, aby zasilić pojedynczy, elastyczny transformator siatki Functional Generative Network (FGN). W sposób natywny generuje gęste pola siatkowe, dyskretne tory cyklonów oraz prognozy punktowe na poziomie stacji.

W porównaniu prognoz temperatury na wysokości 2 metrów nad Wielką Brytanią natywna rozdzielczość 5 kilometrów (0,05°) WeatherNext 3 odwzorowuje złożoną lokalną topografię, unikając spikselizowanych, nadmiernie wygładzonych obrazów termicznych generowanych przez WeatherNext 2 w rozdzielczości 25 kilometrów (0,25°).

Dane z realnego świata w ciągłej skali globalnej

Największym krokiem naprzód jest to, z czego model się uczy. Większość modeli pogodowych AI, w tym WeatherNext 2, jest trenowanych na danych z modeli numerycznych prognoz pogody (NWP). Choć użyteczne, modele NWP to złożone symulacje fizyczne napędzane superkomputerami, którym towarzyszy sześciogodzinne opóźnienie danych — opóźnienie, które może wprowadzać błędy w szybko zmiennych parametrach, takich jak deszcz czy temperatura przy gruncie.

Dzięki pobieraniu mozaiki na żywo globalnych danych satelit geostacjonarnych WeatherNext 3 zyskuje stale aktualizowany obraz atmosfery. Pozwala to modelowi generować nową prognozę co godzinę, każdą opartą na najnowszych dostępnych obserwacjach satelitarnych, w rozdzielczości do 5 kilometrów.

Tak szybkie odświeżanie ma znaczenie, ponieważ krytyczne zjawiska pogodowe rozwijają się błyskawicznie. Gdy burze, fronty lub systemy opadów pojawiają się nagle, godzinowy cykl aktualizacji modelu i wyższa rozdzielczość zapewniają wcześniejsze i bardziej szczegółowe informacje wspierające skuteczną reakcję.

Niektóre zmienne, jak temperatura i wilgotność, mogą dramatycznie wahać się na zaledwie kilku kilometrach — jest to szczególnie istotne dla społeczności w pobliżu wybrzeży, dolin czy pasm górskich. Tradycyjne modele radzą sobie tu słabo, ponieważ trenują na reprezentacjach atmosfery pozbawionych detali, które pomijają ekstremalne lokalne wahania. WeatherNext 3 zamiast tego trenuje bezpośrednio na rozproszonych danych obserwacyjnych ze stacji pogodowych, co pozwala tworzyć globalne prognozy na 5-kilometrowej siatce uwzględniające szczegóły regionalne, takie jak topografia.

Według Google przełom ten ma szczególne znaczenie dla regionów Ameryki Łacińskiej, Afryki i Azji-Pacyfiku, które historycznie były słabo obsłużone przez wysokorozdzielcze prognozy ze względu na ogromne koszty superkomputerowe tradycyjnych modeli regionalnych. Przynosi on zlokalizowane, wiernie odwzorowujące rzeczywistość prognozy miliardom ludzi i lokalnym firmom w tych obszarach. Ponieważ po wytrenowaniu modele AI wymagają znacznie mniejszej mocy obliczeniowej niż systemy NWP oparte na superkomputerach, obniżają barierę kosztową, która historycznie ograniczała wysokorozdzielcze prognozy do zamożniejszych regionów.

Poza rozdzielczością i częstotliwością prognoz model wprowadza predykcje zaprojektowane z myślą o produkcji energii odnawialnej. WeatherNext 3 prognozuje prędkość wiatru na wysokości 100 metrów — mniej więcej na wysokości turbiny — dla precyzyjnej estymacji produkcji energii wiatrowej, a także wysokorozdzielczą pokrywę chmur i poziomy promieniowania słonecznego, aby farmy fotowoltaiczne mogły oszacować, ile światła dotrze do gruntu. Według Google dane te są kluczowe dla globalnego planowania czystej energii, pozwalając operatorom sieci i deweloperom odnawialnych źródeł przewidzieć, ile energii wygenerują ich aktywa, i dopasować ją do popytu konsumentów. Ta zdolność jest zbieżna z deklarowanym przez Google celem działania na energii bezemisyjnej całodobowo do 2030 roku — przedsięwzięciem silnie zależnym od przewidywania produkcji odnawialnej.

Prognozowanie opadów o przełomowej dokładności

Globalne modele pogodowe od dawna mają trudności z dokładnym przewidywaniem opadów. Systemy deszczu i śniegu napędzane są szybko przemieszczającymi się procesami chmurowymi na mikro skalach, które trudno modelować tradycyjnymi symulacjami fizycznymi. W efekcie prognozy AI często dają rozmyte szacunki lub całkowicie pomijają granice gwałtownych burz.

Aby temu zaradzić, Google wytrenował model na dwóch wysokiej jakości zbiorach danych opadowych: satelitarnym Integrated Multi-satellite Retrievals for GPM (IMERG) NASA oraz własnej globalnej reanalizie opadów opartej na radarze satelitarnym.

Rezultatem jest znaczący skok w dokładności prognoz opadów. W średnioterminowych prognozach globalnych oceny względem linii bazowych wykazują poprawę Continuous Ranked Probability Score (CRPS) do 60% względem IMERG, 30% dla MRMS i 10% względem pomiarów deszczomierzy dla wczesnych horyzontów czasowych.

W porównaniu średnioterminowych prognoz prawdopodobieństwa opadu (PoP > 1 mm) WeatherNext 2 w rozdzielczości 25 kilometrów wykazywał mocno rozproszony, spikselizowany ślad opadów, podczas gdy WeatherNext 3 w rozdzielczości 11 kilometrów wiernie odwzorowywał rzeczywiste dane satelitarne, precyzyjnie ujmując ostre pasma konwekcyjne systemów pogodowych.

Badania zastosowane w całym ekosystemie

Google deklaruje, że jego głównym celem jest rozwój inteligencji pogodowej tak, by była powszechnie użyteczna — czy to dla ratownika śledzącego nagłe zmiany wiatru, kontrolera ruchu lotniczego planującego trasy lotów, czy rolnika zarządzającego uprawami.

Aby wyprowadzić te przełomy z laboratoriów, WeatherNext 3 jest integrowany w całym kluczowym ekosystemie Google i poza nim:

• Dane prognostyczne wysokiej rozdzielczości: Globalne prognozy pogody są aktualizowane co godzinę i gotowe do integracji z przepływami pracy bez konieczności konfiguracji modelu. Badacze, deweloperzy i firmy mogą odpytywać dane w BigQuery i Earth Engine lub pobierać je masowo z Google Cloud Storage.
• Globalna dostępność: WeatherNext 3 od dziś zaczyna zasilać funkcje pogodowe w Google Search, aplikacji Gemini, Google Maps, Google Maps Platform Weather API i Google Earth Engine. Aktualizacja radykalnie poprawia prognozy długoterminowe: przy planowaniu na dzień lub więcej naprzód użytkownicy zobaczą do 50% dokładniejsze prognozy opadów, przy czym największe poprawy dotyczą regionów, w których prognozy historycznie były mniej wiarygodne.

Google zaznacza, że atmosfera zawsze zachowa pewien stopień nieprzewidywalności. Jednak dzięki treningowi na obserwacjach z realnego świata i ominięciu ograniczeń tradycyjnego modelowania WeatherNext 3 przybliża prognozy do rzeczywistości na ziemi. W miarę dojrzewania prognoz AI powracającym pytaniem w tej dziedzinie pozostaje, jak systemy uczenia maszynowego i tradycyjne agencje oparte na fizyce będą współistnieć — służby pogodowe, w tym te współpracujące z twórcami AI, pozostają autorytatywnym źródłem ostrzeżeń i bezpieczeństwa publicznego, co Google samo przyznaje.

Dodatkowe materiały związane z premierą obejmują artykuł badawczy WeatherNext 3, dokumentację deweloperską dotyczącą budowania z WeatherNext 3, Weather Lab z wizualizacjami modelu w czasie rzeczywistym oraz niezależne rankingi na żywo Brightband pokazujące pozycję WeatherNext 3. Czytelnicy mogą także poznać szersze prace geoprzestrzenne i AI Google dzięki Google Earth Engine, AlphaEarth Foundations i Earth AI.

Zastrzeżenie Google wskazuje, że w sprawie oficjalnych prognoz pogody, ostrzeżeń o groźnych zjawiskach i komunikatów bezpieczeństwa publicznego użytkownicy powinni kierować się do lokalnej służby meteorologicznej lub krajowego instytutu meteorologicznego.

Źródło: Google DeepMind Blog