WeatherNext 3 від Google відмовляється від фізичних симуляцій і навчається безпосередньо на актуальних супутникових даних

WeatherNext 3 від Google Research і DeepMind відмовляється від традиційних фізичних моделей і навчається безпосередньо на супутникових даних у реальному часі. Google обіцяє вп’ятеро більшу деталізацію та погодинні оновлення.

Попередні моделі погоди на основі ШІ, зокрема WeatherNext 2, навчалися на даних чисельного прогнозування погоди (NWP). За даними Google, ці симуляції виконуються на суперкомп’ютерах із затримкою в шість годин, що спричиняє помилки для змінних, які швидко змінюються, таких як опади й температура.

Натомість WeatherNext 3 обробляє дані геостаціонарних супутників у реальному часі. Модель щогодини створює новий прогноз на основі найсвіжіших спостережень із роздільною здатністю до п’яти кілометрів. Для швидкозростаючих штормів або опадів швидший цикл оновлення означає більш ранні й точніші прогнози.

У п’ять разів точніша за попередницю

Модель створює погодинні прогнози з різною роздільною здатністю. Температура й вологість прогнозуються на сітці з кроком у п’ять кілометрів, інші приземні змінні — у десять, а атмосферні показники, як-от швидкість вітру, — у 25 кілометрів. Це приблизно у п’ять разів точніше, ніж у WeatherNext 2, яка використовувала сітку з кроком у 25 кілометрів із шестигодинними інтервалами.

Google демонструє різницю на прикладі прогнозу температури над Великою Британією. WeatherNext 2 із кроком 25 кілометрів створює пікселізовану карту. WeatherNext 3 із кроком п’ять кілометрів відображає локальний рельєф.

Модель також навчається на даних окремих метеостанцій, щоб враховувати берегові лінії, долини й гори. Це дає змогу створювати точніші глобальні прогнози, що відображають регіональні умови. За даними Google, найбільше виграють регіони Латинської Америки, Африки та Азійсько-Тихоокеанського регіону, оскільки високі обчислювальні витрати на традиційні регіональні моделі залишили їх недостатньо охопленими.

Точніші прогнози дощу та дані для відновлюваної енергетики

Глобальні погодні моделі давно мають труднощі з прогнозуванням опадів, оскільки дощ і сніг залежать від швидких хмарних процесів у малих масштабах. Google навчила модель на двох джерелах: супутниковому наборі даних IMERG від NASA та власному глобальному аналізі опадів Google, створеному на основі супутникових радарів.

Для глобальних прогнозів на середній термін показник безперервної ранжованої ймовірнісної оцінки (CRPS) демонструє покращення до 60 відсотків порівняно з IMERG, 30 відсотків порівняно з MRMS і десять відсотків порівняно з даними дощомірів на коротких часових горизонтах. WeatherNext 3 також прогнозує швидкість вітру на висоті 100 метрів — приблизній висоті вітротурбін, — щоб оцінювати виробіток вітрових електростанцій. Точніші дані про хмарність і сонячне випромінювання дають змогу сонячним електростанціям розраховувати очікувану генерацію. Google заявляє, що це має допомогти операторам електромереж балансувати попит і пропозицію.

Запуск у Search, Maps і Gemini

Google оновлює прогнозні дані щогодини. Дослідники, розробники та компанії можуть запитувати їх через BigQuery і Earth Engine або завантажувати масивами з Google Cloud Storage. WeatherNext 3 уже забезпечує погодні функції в Google Search, застосунку Gemini, Google Maps, Weather API платформи Google Maps і Google Earth Engine.

Плануючи день або більше наперед, користувачі мають отримувати до 50 відсотків точніші прогнози опадів, причому найбільше покращення спостерігатиметься в регіонах, де прогнози були менш надійними.

Google визнає, що атмосфера завжди буде певною мірою непередбачуваною. Для отримання офіційних прогнозів, попереджень про небезпечні погодні явища та рекомендацій із безпеки компанія радить звертатися до національних метеорологічних служб.

Google DeepMind представила WeatherNext 2 у листопаді 2025 року. Ця модель перевершила перше покоління WeatherNext у 99,9 відсотка всіх метеорологічних змінних і часових горизонтів прогнозування, працюючи у вісім разів швидше та обробляючи сотні погодних сценаріїв менш ніж за хвилину на одному TPU. Її було побудовано на Functional Generative Network, яка також лежить в основі WeatherNext 3. WeatherNext 2 уже забезпечувала роботу Google Search, Gemini, Pixel Weather і Weather API.

У серпні 2026 року DeepMind випустила WeatherNext 2 і WeatherNext Cyclones за відкритою ліцензією. Модель циклонів прогнозує траєкторії та інтенсивність тропічних штормів в одній системі й заглядає приблизно на добу далі, ніж провідні оперативні моделі, попри використання сітки приблизно в сто разів грубішої. Наприкінці 2024 року DeepMind випустила GenCast — першу ймовірнісну погодну модель на основі ШІ, яка перевершила ансамблеву систему ECMWF.

Новини про ШІ без ажіотажу — відібрані людьми

Підпишіться на THE DECODER, щоб читати без реклами, отримувати щотижневу розсилку про ШІ, наш ексклюзивний звіт про передові розробки «AI Radar» шість разів на рік, повний доступ до архіву та доступ до розділу коментарів.