Google DeepMind lancerer WeatherNext 3 med timelige prognoser på 5‑kilometer opløsning

Google DeepMind og Google Research den 3. september 2026 introducerede WeatherNext 3, en global AI‑vejrprognosemodel, der genererer timelige prognoser med op til 5‑kilometer opløsning og integreres i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API og Google Earth Engine.

Teamsene beskrev WeatherNext 3 som deres mest avancerede og præcise globale vejrmodel til dato og henviste til uafhængige live‑evalueringer fra Brightband. Et teknisk papir skrevet af forskere fra Google DeepMind, Google Research og Google fulgte med udgivelsen og angiver, at modellen kører operationelt.

Timelige prognoser med højere opløsning

WeatherNext 3 genererer timelige prognoser ved flere rumlige opløsninger. Vigtige overfladevariabler såsom temperatur og fugtighed produceres med en 5‑kilometer opløsning, andre overfladevariabler med 10 kilometer, og atmosfæriske variabler såsom vindhastighed med 25 kilometer. Google oplyser, at dette svarer til et globalt vejrbillede, der er cirka fem gange skarpere end deres tidligere model, WeatherNext 2, som leverede prognoser på et 25‑kilometer gitter i seks‑timmers intervaller.

Ifølge papiret bygger WeatherNext 3 videre på Functional Generative Network‑tilgangen, som lå til grund for WeatherNext 2, og producerer 15‑dages, 64‑medlems ensemble‑prognoser, trænet til at minimere den kontinuerlige rangerede sandsynlighedsscore (CRPS), et standardmål for probabilistisk prognosefærdighed. Modellen øger den latente størrelse fra 768 til 1024 og mesh‑transformer‑dybden fra 24 til 32 lag i forhold til WeatherNext 2, og produktionsversionen blev trænet på data frem til 30. juni 2026. Systemet indtager live‑satellitmosaikker med én‑tims geostationær opløsning sammen med traditionel historisk analyse, og leverer en enkelt mesh‑transformer, der udgiver tætte gitterfelter, diskrete cyklonspor og station‑niveau forudsigelser.

Trænet på rå observationer

De fleste AI‑vejrmodeller, herunder WeatherNext 2, trænes på data fra numeriske vejrprognosemodeller, som er fysiksimuleringer med et seks‑timmers datalag. Google påpeger, at dette lag kan introducere bias for hurtigt skiftende variabler som regn og overfladetemperatur. WeatherNext 3 indtager i stedet en mosaik af live globale geostationære satellitdata, hvilket giver en kontinuerligt opdateret opfattelse af atmosfæren og muliggør en ny prognose hver time, hver baseret på de seneste tilgængelige satellitobservationer.

Papiret angiver, at satellitmosaikken dækker 11 kanaler med 0,1‑grad opløsning og en operationel latenstid på cirka én time. WeatherNext 3 træner også direkte på sparsomme vejrstationsobservationer ved at kombinere tre overfladedatasæt — METAR‑lufthavnsstationer, regionale Mesonet‑netværk og ICOADS‑skib‑ og bøjestationer — fra 2001. Ifølge papiret forudsiger denne stations‑hoved 2‑meters temperatur og dugpunkt på ethvert sted og tidspunkt, betinget af lokale geografiske forhold som højde.

For nedbør trænes modellen på to kilder: NASA’s satellitbaserede Integrated Multi‑satellite Retrievals for GPM (IMERG)‑produkt og teamets egen globale nedbør‑reanalyse, kaldet PARDIG, som papiret beskriver som et eksperimentelt estimat fremstillet af en separat AI‑model trænet til at forudsige sparsomme rum‑baserede radardata fra GPM‑kerneobservatoriet.

WeatherNext 3 introducerer også forudsigelser rettet mod vedvarende energiproduktion. Google oplyser, at modellen forudsiger vindhastigheder på 100 meter, omtrent turbinenes højde, for vindenergi, samt høj‑opløsnings skydække og solstrålingsniveauer for at hjælpe solfarme med at estimere sollys ved jordoverfladen.

Rapporterede evalueringsresultater

I mellem‑række globale nedbørsprognoser rapporterede Google CRPS‑forbedringer på op til 60 % i forhold til IMERG, 30 % for MRMS‑radarbasseret produkt og 10 % i forhold til regnmåler‑målinger for tidlige lead‑tider. Papiret tilføjer, at i evalueringer mod vejrstationer, der holdes uden for træning, forbedrer stations‑hovedet CRPS for 2‑meters temperatur med op til 30 % sammenlignet med WeatherNext 2 og 40 % sammenlignet med ECMWF ENS‑systemet ved korte lead‑tider.

Papiret beskriver også en kvasi‑real‑time evaluering over den seks‑ugers periode fra 1. juli til 11. august 2026, ved brug af operationelle datafeeds. I denne evaluering rapporterer forfatterne, at WeatherNext 3 overgik ECMWF’s AIFS ENS v2 på alle øvre‑niveau variabler, med en gennemsnitlig forbedring på omkring 10 % i den første prognoseuge, og viste små men konsistente forbedringer i forhold til WeatherNext 2 i ensemble‑gennemsnitligt tropisk cyklonspor og intensitetsfejl.

Papiret dokumenterer også begrænsninger. Forfatterne bemærker synlige rumlige og tidsmæssige artefakter i enkelte prognosetilfælde, herunder hexagonale mønstre, der afspejler modellens mesh‑struktur, tidsmæssige diskontinuiteter på tværs af seks‑timmers grænser i nogle uddata‑hoveder, samt en per‑medlem global varm‑eller‑kold bias i stations‑hovedet. De konstaterer, at marginale statistikker såsom ensemble‑kvantiler stort set er artefakt‑fri bortset fra i Antarktis, hvor stationsdata er sparsomme.

Tilgængelighed på tværs af Google‑produkter

WeatherNext 3 begynder at drive vejroplevelser i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API og Google Earth Engine fra den 3. september 2026. Google siger, at når folk planlægger en dag eller længere frem i tiden, vil de se op til 50 % mere præcise nedbørsprognoser, med de største forbedringer i regioner, hvor prognoser historisk har været mindre pålidelige.

Forskere, udviklere og virksomheder kan anmode om data i BigQuery og Earth Engine eller bulk‑downloade dem fra Google Cloud Storage i Zarr‑format. Googles udviklerdokumentation beskriver modellen som leverende 15‑dages globale probabilistiske prognoser, initieret hver time på tværs af 64 ensemble‑medlemmer, og lister en tilpasset inferens‑mulighed på Google Cloud, der lader kunder generere skræddersyede prognoser på dedikerede acceleratorer med kontrol over ensemble‑størrelse og prognosehorisonter. Prognoserne kan også ses i realtid gennem Weather Lab, Google DeepMinds interaktive visualiseringssite.

Googles meddelelse indeholder en ansvarsfraskrivelse om, at WeatherNext er et automatiseret, eksperimentelt AI‑system, og at brugere bør henvise til lokale meteorologiske myndigheder eller nationale vejrtjenester for officielle prognoser, advarsler om alvorligt vejr og offentlige sikkerhedsmeddelelser.