WeatherNext 3 от Google отказывается от физических симуляций и обучается непосредственно на актуальных спутниковых данных
Ключевые моменты
- Google и DeepMind выпустили WeatherNext 3 — модель погоды на базе ИИ, которая отказывается от традиционного физического моделирования и обучается непосредственно на данных спутников в реальном времени.
- Модель создает почасовые прогнозы на сетке с шагом пять километров — в пять раз более детальной, чем у предшественницы, — точнее отображая локальные погодные явления и особенности рельефа.
- WeatherNext 3 также генерирует данные, адаптированные для возобновляемой энергетики, и предоставляет прогнозы осадков с точностью до 50 процентов выше. Оба улучшения уже доступны в Google Search, Maps и Gemini.
WeatherNext 3 от Google Research и DeepMind отказывается от традиционных физических моделей и обучается непосредственно на данных спутников в реальном времени. Google обещает в пять раз более детальную информацию и почасовые обновления.
Предыдущие модели погоды на базе ИИ, включая WeatherNext 2, обучались на данных численного прогноза погоды (NWP). По данным Google, такие симуляции выполняются на суперкомпьютерах и имеют шестичасовую задержку, что приводит к ошибкам при прогнозировании быстро меняющихся показателей, таких как осадки и температура.
Вместо этого WeatherNext 3 обрабатывает данные геостационарных спутников в реальном времени. Модель каждый час создает новый прогноз на основе последних наблюдений с разрешением до пяти километров. Для быстро развивающихся штормов или осадков более короткий цикл обновления означает более ранние и точные прогнозы.
В пять раз детальнее предшественницы
Модель создает почасовые прогнозы с несколькими разрешениями. Температура и влажность рассчитываются с шагом пять километров, другие характеристики поверхности — десять километров, а атмосферные показатели, например скорость ветра, — 25 километров. Это примерно в пять раз детальнее, чем у WeatherNext 2, использовавшей сетку с шагом 25 километров с интервалом обновления шесть часов.
Google демонстрирует разницу на примере прогноза температуры над Великобританией. WeatherNext 2 с шагом 25 километров создает пикселизированную карту. WeatherNext 3 с шагом пять километров отображает местный рельеф.
Модель также обучается на данных отдельных метеостанций, чтобы учитывать береговые линии, долины и горы. Это позволяет создавать более детальные глобальные прогнозы, отражающие региональные условия. По данным Google, больше всего выиграют регионы Латинской Америки, Африки и Азиатско-Тихоокеанского региона, поскольку высокие вычислительные затраты на традиционные региональные модели оставляли их без должного обслуживания.
Более точные прогнозы дождя и данные для возобновляемой энергетики
Глобальные погодные модели давно испытывают трудности с прогнозированием осадков, поскольку дождь и снег зависят от быстро протекающих облачных процессов в малых масштабах. Google обучил модель на двух источниках: наборе данных IMERG, основанном на спутниковых наблюдениях NASA, и собственной глобальной системе анализа осадков Google, созданной на базе спутниковых радаров.
Для глобальных прогнозов на средний срок показатель вероятностного прогноза CRPS демонстрирует улучшение до 60 процентов по сравнению с IMERG, до 30 процентов по сравнению с MRMS и до десяти процентов по сравнению с данными дождемеров при небольшом времени упреждения. WeatherNext 3 также прогнозирует скорость ветра на высоте 100 метров — примерно на высоте ветряных турбин, — чтобы оценивать выработку ветропарков. Более точные данные об облачности и солнечной радиации позволяют солнечным электростанциям рассчитывать ожидаемую генерацию. По словам Google, это должно помочь операторам энергосетей балансировать предложение и спрос.
Внедрение в Search, Maps и Gemini
Google обновляет данные прогнозов каждый час. Исследователи, разработчики и компании могут запрашивать их через BigQuery и Earth Engine или скачивать целиком из Google Cloud Storage. WeatherNext 3 уже используется в погодных функциях Google Search, приложения Gemini, Google Maps, Weather API платформы Google Maps и Google Earth Engine.
При планировании на день и более вперед пользователи должны получать прогнозы осадков с точностью до 50 процентов выше, причем наибольший прирост ожидается в регионах, где прогнозы ранее были менее надежными.
Google признает, что атмосфера всегда будет в определенной степени непредсказуемой. Для получения официальных прогнозов, предупреждений о серьезных погодных явлениях и рекомендаций по безопасности компания направляет пользователей к национальным метеорологическим службам.
Google DeepMind представила WeatherNext 2 в ноябре 2025 года. Эта модель превзошла первое поколение WeatherNext в 99,9 процента всех метеорологических показателей и временных интервалов прогнозирования, работая при этом в восемь раз быстрее: она обрабатывала сотни погодных сценариев менее чем за минуту на одном TPU. Модель была создана на базе Functional Generative Network, которая также лежит в основе WeatherNext 3. WeatherNext 2 уже использовалась в Google Search, Gemini, Pixel Weather и Weather API.
В августе 2026 года DeepMind выпустила WeatherNext 2 и WeatherNext Cyclones по открытой лицензии. Модель циклонов прогнозирует траекторию и интенсивность тропических штормов в единой системе и заглядывает примерно на день дальше ведущих оперативных моделей, несмотря на использование сетки примерно в сто раз более грубой. В конце 2024 года DeepMind выпустила GenCast — первую вероятностную погодную модель на базе ИИ, превзошедшую ансамблевую систему ECMWF.
Новости ИИ без хайпа — отобраны людьми
Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный ежемесячный отчет о передовых разработках «AI Radar», доступ ко всему архиву и разделу комментариев.
Переведено автоматически с английского. Оригинал статьи — по ссылке ниже.