WeatherNext 3 від Google DeepMind навчається на спостереженнях метеостанцій, щоб надавати глобальні прогнози з роздільною здатністю 5 км, які оновлюються щогодини

Моделі погоди на основі ШІ протягом трьох років скорочували відставання від прогнозування на основі фізичних моделей, але залишалися невирішеними дві проблеми: надто низька роздільна здатність для локального рельєфу та ініціалізація, прив’язана до аналізу чисельного прогнозування погоди (NWP), який надходить із затримкою приблизно у шість годин. WeatherNext 3, випущена Google DeepMind і Google Research, вирішує обидві проблеми. Вона використовує актуальну глобальну мозаїку геостаціонарних супутникових знімків як безпосередній вхід моделі, повторно ініціалізується щогодини та генерує прогнози з роздільною здатністю до 0,05° (~5 км), навчаючись на даних необроблених метеостанцій, а не лише на сітках реаналізу. За даними Google AI, незалежні оперативні оцінювання від Brightband визначають її як найточнішу глобальну модель погоди на сьогодні.

Чи придатна вона до впровадження? Частково. Дані прогнозів уже доступні через BigQuery, Earth Engine і Cloud Storage після подання запиту на додавання до списку дозволених, але ваги WeatherNext 3 не є відкритими, а спеціальні інференси на вимогу досі виконуються за допомогою WeatherNext 2.

Архітектура та вхідні дані

WeatherNext 3 — це сітковий трансформер Functional Generative Network (FGN), представник тієї самої імовірнісної сім’ї, яку було представлено разом із WeatherNext 2, масштабований для багатороздільного виведення. Вхідними даними є актуальна мозаїка геостаціонарних супутникових знімків та аналіз ECMWF HRES. Для навчання використовуються ERA5/HRES-fc0, IMERG NASA, спостереження метеостанцій і супутникові мозаїки.

Більшість ШІ-синоптичних моделей навчаються на реаналізі NWP, який згладжує локальні варіації, фактично спричинені узбережжями, долинами та горами. WeatherNext 3 навчає спеціалізовані спостережувальні голови безпосередньо на необроблених вимірюваннях станцій, тому її вихідні дані щодо температури та точки роси з роздільною здатністю 0,05° калібруються відповідно до показників приладів, а не до представлення атмосфери моделлю.

Роздільна здатність і періодичність

Один прямий прохід генерує три рівні: температуру на висоті 2 м і точку роси з роздільною здатністю 0,05° (~5 км), навчені за даними станцій; ґратковий приземний вітер на висоті 10 м і 100 м, тиск, температуру поверхні моря, шари хмар, сонячну радіацію та опади за 1 годину з роздільною здатністю 0,1° (~10 км); а також атмосферні поля на 13 рівнях тиску з роздільною здатністю 0,25° (~25 км). WeatherNext 2 генерувала поля з роздільною здатністю 0,25° з інтервалом у 6 годин — саме звідси походить твердження про приблизно у 5 разів вищу деталізацію.

Періодичність — друга зміна. Модель ініціалізується 24 рази на добу. Синоптичні цикли о 00, 06, 12 і 18 UTC охоплюють 15 днів (360 годин) і містять 64 члени ансамблю; проміжні щогодинні запуски охоплюють 48 годин. Для конвекції, що швидко розвивається, щогодинне оновлення на основі актуальних супутникових спостережень суттєво відрізняється від шестигодинного циклу, прив’язаного до аналізу із затримкою.

Опади та змінні для чистої енергетики

Саме в прогнозуванні опадів глобальні моделі історично зазнають невдач, генеруючи розмиті поля, які не враховують межі штормів. WeatherNext 3 навчається на основі трьох джерел даних про опади: реаналізу ECMWF, супутникових даних IMERG NASA та власного реаналізу опадів Google на основі супутникових і радарних даних. Google повідомляє про покращення CRPS порівняно з базовими моделями до 60% проти IMERG, 30% проти MRMS і 10% проти дощомірів на ранніх етапах прогнозування; у дослідженні окремо зазначено до 50% зниження Brier score і CRPS порівняно з базовими моделями NWP під час оцінювання за IMERG.

Для відновлюваної енергетики модель генерує швидкість вітру на висоті 100 м, що приблизно відповідає висоті розташування втулки турбіни, повні розподіли низьких, середніх і високих хмар, а також обидві складові сонячної радіації (SSRD і FDIR). Саме таке поєднання потрібне операторам електромереж для прогнозування виробітку вітрової та сонячної енергії з урахуванням попиту, і це найчіткіше свідчить про те, що цей реліз орієнтований на операційних покупців, а не лише на таблиці бенчмарків.

Ключові висновки

• Щогодинна ініціалізація за актуальними даними геостаціонарних супутників усуває шестигодинну затримку аналізу NWP.
• Багатороздільне виведення: станційні змінні з роздільною здатністю 0,05°, ґраткові приземні дані з роздільною здатністю 0,1°, рівні тиску з роздільною здатністю 0,25° — в одному прямому проході.
• Ансамбль із 64 членів; горизонт прогнозу 15 днів для циклів о 00/06/12/18 UTC і 48 годин для проміжних щогодинних запусків.
• CRPS опадів покращується до 60% порівняно з IMERG на ранніх етапах прогнозування, згідно з оцінюваннями Google.
• Доступ до даних відкритий за запитом; сама модель не має відкритих ваг.

---

Ознайомтеся з дослідженням і технічними деталями. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого 150k+ ML SubReddit та підписатися на нашу розсилку. Зачекайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Потрібно партнерство з нами для просування вашого GitHub-репозиторію, сторінки на Hugging Face, релізу продукту, вебінару тощо? Зв’яжіться з нами