WeatherNext 3 на Google се отказва от физическите симулации и се обучава директно върху данни от актуални сателитни наблюдения

WeatherNext 3 на Google Research и DeepMind се отказва от традиционните физически модели и се учи директно от сателитни данни в реално време. Google обещава пет пъти повече детайли и почасови актуализации.

Предишните AI модели за времето, включително WeatherNext 2, се обучаваха с данни от численото прогнозиране на времето (NWP). Според Google тези симулации се изпълняват на суперкомпютри и изостават с шест часа, което води до грешки при бързо променящи се величини като валежи и температура.

Вместо това WeatherNext 3 обработва данни в реално време от геостационарни спътници. Той генерира нова прогноза на всеки час въз основа на най-актуалните наблюдения и с резолюция до пет километра. При бързо развиващи се бури или валежи по-краткият цикъл на актуализация означава по-ранни и по-точни прогнози.

Пет пъти по-прецизен от предшественика си

Моделът създава почасови прогнози с различна резолюция. Температурата и влажността се изчисляват с резолюция от пет километра, други повърхностни величини — от десет, а атмосферни стойности като скоростта на вятъра — от 25 километра. Това е около пет пъти по-прецизно от WeatherNext 2, който използваше мрежа с клетки от 25 километра на шестчасови интервали.

Google илюстрира разликата с прогноза за температурата над Обединеното кралство. WeatherNext 2 при 25 километра създава пикселизирана карта. WeatherNext 3 при пет километра улавя местния релеф.

Моделът се обучава и с данни от отделни метеорологични станции, за да улавя брегови линии, долини и планини. Това позволява по-прецизни глобални прогнози, които отразяват регионалните условия. Според Google регионите в Латинска Америка, Африка и Азиатско-тихоокеанския регион ще спечелят най-много, тъй като високите изчислителни разходи за традиционните регионални модели са ги оставили недостатъчно обслужени.

По-добри прогнози за дъжд и данни за възобновяема енергия

Глобалните метеорологични модели отдавна изпитват трудности при прогнозирането на валежи, тъй като дъждът и снегът зависят от бързи облачни процеси в малък мащаб. Google обучи модела с два източника: базирания на сателитни данни набор IMERG на NASA и собствен анализ на глобалните валежи на Google, изграден върху сателитен радар.

При глобални прогнози в средносрочен план оценката на вероятностите с непрекъснат ранг (CRPS) показва подобрения до 60 процента спрямо IMERG, 30 процента спрямо MRMS и десет процента спрямо дъждомерите при кратки периоди на прогнозиране. WeatherNext 3 също така прогнозира скоростта на вятъра на височина 100 метра — приблизителната височина на турбините — за да изчислява производството на вятърни паркове. По-точните стойности за облачността и слънчевото облъчване позволяват на соларните инсталации да изчисляват очакваното производство. Според Google това трябва да помогне на операторите на електрически мрежи да балансират предлагането и търсенето.

Разпространява се в Search, Maps и Gemini

Google актуализира прогнозните данни на всеки час. Изследователи, разработчици и компании могат да ги заявяват чрез BigQuery и Earth Engine или да ги изтеглят групово от Google Cloud Storage. WeatherNext 3 вече захранва метеорологичните функции в Google Search, приложението Gemini, Google Maps, Weather API на Google Maps Platform и Google Earth Engine.

Когато планират ден или повече предварително, потребителите би трябвало да виждат до 50 процента по-точни прогнози за валежите, като най-големите подобрения са в регионите, където прогнозите са били по-ненадеждни.

Google признава, че атмосферата винаги ще бъде до известна степен непредсказуема. За официални прогнози, предупреждения за опасно време и съвети за безопасност компанията насочва потребителите към националните метеорологични служби.

Google DeepMind представи WeatherNext 2 през ноември 2025 г. Този модел надмина първото поколение WeatherNext при 99,9 процента от всички метеорологични величини и прогнозни интервали, като работеше осем пъти по-бързо и обработваше стотици метеорологични сценарии за по-малко от минута на един TPU. Той беше изграден върху Functional Generative Network, която стои и в основата на WeatherNext 3. WeatherNext 2 вече захранваше Google Search, Gemini, Pixel Weather и Weather API.

През август 2026 г. DeepMind пусна WeatherNext 2 и WeatherNext Cyclones с отворен лиценз. Моделът за циклони прогнозира траекторията и интензитета на тропическите бури в една система и предвижда развитието им около ден по-напред от водещите оперативни модели, въпреки че използва мрежа с приблизително сто пъти по-ниска резолюция. В края на 2024 г. DeepMind представи GenCast — първия вероятностен AI модел за времето, който надмина ансамбловата система на ECMWF.

AI новини без преувеличения – подбрани от хора

Абонирайте се за THE DECODER, за да четете без реклами, да получавате седмичен AI бюлетин, нашия ексклузивен доклад за водещите технологии „AI Radar“ шест пъти годишно, пълен достъп до архива и достъп до секцията за коментари.