WeatherNext 3 от Google DeepMind обучается на наблюдениях метеостанций, чтобы выдавать глобальные прогнозы с разрешением 5 км, обновляемые каждый час

Модели погоды на основе ИИ за три года сократили отставание от прогнозирования на основе физических моделей, однако оставались нерешёнными две проблемы: слишком низкое разрешение для локального рельефа и инициализация, привязанная к анализу численного прогнозирования погоды (NWP), который поступает примерно с шестичасовой задержкой. WeatherNext 3, выпущенная Google DeepMind и Google Research, решает обе проблемы. Она принимает мозаику актуальных данных глобальных геостационарных спутников как непосредственный вход модели, повторно инициализируется каждый час и формирует прогнозы с разрешением до 0,05° (примерно 5 км), обучаясь на исходных измерениях метеостанций, а не только на сетках реанализа. Согласно Google AI, независимые оперативные оценки, проведённые Brightband, ставят её на первое место среди наиболее точных глобальных моделей погоды на сегодняшний день.

Готова ли она к внедрению? Частично. Данные прогнозов уже доступны через BigQuery, Earth Engine и Cloud Storage после подачи запроса на включение в список разрешённых, однако веса WeatherNext 3 не являются открытыми, а пользовательский инференс по запросу по-прежнему выполняется с помощью WeatherNext 2.

Архитектура и входные данные

WeatherNext 3 представляет собой mesh-трансформер Functional Generative Network (FGN), то есть относится к тому же вероятностному семейству, которое было представлено в WeatherNext 2, но масштабировано для формирования результатов с несколькими разрешениями. Входные данные включают мозаику актуальных данных геостационарных спутников и анализ ECMWF HRES. Для обучения используются ERA5/HRES-fc0, данные NASA IMERG, наблюдения станций и мозаики спутниковых данных.

Большинство ИИ-систем прогнозирования погоды обучаются на реанализе NWP, который сглаживает локальные вариации, фактически создаваемые береговыми линиями, долинами и горами. WeatherNext 3 обучается на специализированных наблюдательных головах непосредственно на исходных измерениях станций, поэтому результаты по температуре и точке росы с разрешением 0,05° калибруются по показаниям приборов, а не по представлению атмосферы в модели.

Разрешение и частота обновления

Один прямой проход формирует результаты трёх уровней: температуру и точку росы на высоте 2 м с разрешением 0,05° (примерно 5 км), обученные на данных станций; сеточный приземный ветер на высоте 10 и 100 м, давление, температуру поверхности моря, слои облачности, солнечную радиацию и осадки за 1 час с разрешением 0,1° (примерно 10 км); а также атмосферные поля на 13 уровнях давления с разрешением 0,25° (примерно 25 км). WeatherNext 2 формировала поля с разрешением 0,25° с шестичасовым интервалом — именно отсюда берётся утверждение о примерно пятикратном повышении детализации.

Частота обновления — второе изменение. Модель инициализируется 24 раза в сутки. Синоптические циклы в 00, 06, 12 и 18 UTC охватывают 15 дней (360 часов) и используют 64 члена ансамбля; промежуточные ежечасные запуски охватывают 48 часов. Для быстро развивающейся конвекции ежечасное обновление, основанное на актуальных спутниковых наблюдениях, существенно отличается от шестичасового цикла, опирающегося на запаздывающий анализ.

Осадки и переменные для чистой энергетики

Именно в прогнозировании осадков глобальные модели исторически терпят неудачу, формируя размытые поля, в которых не удаётся корректно отобразить границы штормов. WeatherNext 3 обучается на трёх источниках данных об осадках: реанализе ECMWF, спутниковых оценках NASA IMERG и собственной реаналитической базе Google по осадкам, созданной на основе спутниковых и радиолокационных данных. Google сообщает об улучшении показателя CRPS по сравнению с базовыми моделями: до 60% по IMERG, 30% по MRMS и 10% по дождемерам на ранних этапах прогноза; в исследовании отдельно заявлено о снижении показателей Brier score и CRPS до 50% по сравнению с базовыми моделями NWP при оценке по IMERG.

Для возобновляемой энергетики модель выдаёт скорость ветра на высоте 100 м, приблизительно соответствующей высоте ступицы турбины, полное распределение низкой, средней и высокой облачности, а также оба компонента солнечной освещённости (SSRD и FDIR). Такое сочетание необходимо операторам энергосетей для прогнозирования выработки ветровой и солнечной энергии с учётом спроса и является наиболее явным признаком того, что этот выпуск ориентирован на практических заказчиков, а не только на сравнительные таблицы.

Ключевые выводы

• Ежечасная инициализация по актуальным данным геостационарных спутников устраняет шестичасовую задержку анализа NWP.
• Результаты с несколькими разрешениями: станционные переменные с разрешением 0,05°, сеточные приземные данные с разрешением 0,1°, уровни давления с разрешением 0,25° — всё за один прямой проход.
• Ансамбль из 64 членов; горизонт 15 дней для циклов в 00/06/12/18 UTC и 48 часов для промежуточных ежечасных запусков.
• По оценкам Google, на ранних этапах прогноза показатель CRPS для осадков улучшается до 60% по сравнению с IMERG.
• Доступ к данным предоставляется по запросу; сама модель не распространяется с открытыми весами.

---

Ознакомьтесь с исследованием и техническими подробностями. Также подписывайтесь на нас в Twitter и не забудьте присоединиться к нашему сабреддиту о машинном обучении с более чем 150 тыс. участников и подписаться на нашу рассылку. Постойте! Вы есть в Telegram? теперь вы также можете присоединиться к нам в Telegram.

Хотите стать нашим партнёром для продвижения своего репозитория GitHub, страницы на Hugging Face, выпуска продукта, вебинара и т. д.? Свяжитесь с нами