Googles WeatherNext 2 får en fuld dag med cyklonadvarsel og bliver open source

Google har offentliggjort en peer-reviewed resultater for sin WeatherNext AI-vejrmodel, der hævder at have en state-of-the-art nøjagtighed i forudsigelse af tropiske cykloner og en føringstidsgevinst, som virksomheden beskriver som omtrent et årtis meteorologisk fremgang komprimeret i ét system. Artiklen blev offentliggjort i Nature den 6. august 2026, og Google offentliggør modellerne sammen med den.

Hovedtal er føringstid. For cykloner fra 2023 til 2025 har WeatherNext’s spor, intensitet og vindstrukturforudsigelser en gennemsnitlig føringstid på en dag eller mere i forhold til førende operationelle modeller – hvilket betyder, at dens tre-dages forudsigelse matcher, hvad tidligere systemer leverede på to dage. I cyklonforudsigelse, hvor evakuering og indsættelsesbeslutninger afhænger af timer, er denne margin den vigtigste.

Arbejdet var et samarbejde mellem Google DeepMind og Google Research-forskere og operationelle forecastere ved National Hurricane Center, Cooperative Institute for Research in the Atmosphere og UK Met Office, hvoraf flere er medforfattere på artiklen.

Hvad Nature-artiklen rapporterer

Artiklen introducerer WeatherNext Cyclones, en AI-model, der producerer ensembleforudsigelser for en tropisk cyklons spor, intensitet og størrelse op til 15 dage ud. Evalueret mod førende operationelle systemer på storme fra 2023-2025 opnåede den en gennemsnitlig føringstid på 24 timer eller mere på alle tre mål: en forbedring, som forfatterne beskriver som sammenlignelig med et årtis operationel fremgang.

Træningsdata kombinerede globale atmosfæriske analyser med IBTrACS-databasen over næsten 5.000 historiske storme. Modellen bruger Funktionelle Generative Netværk til at producere sandsynlighedsfordelinger i stedet for enkelt-punktsforudsigelser, og den kan skaleres op til 1.000-medlemmers ensemble (tyve gange de 50-medlemmers kør, som det tidligere system havde), hvilket bedre kan fange sjældne, men højkonsekvens- begivenheder som hurtig intensificering.

En af resultaterne står ud for det, den udfordrer. Høj rumlig opløsning har længe været betragtet som prisen for nøjagtige intensitetsforudsigelser. WeatherNext Cyclones kører på 28×28-kilometer-inddata, omtrent 100 gange grovere end traditionelle regionale modeller, og en kompakt variant, WeatherNext 2-mini, opererer på 111×111 kilometer og fungerer stadig godt. Artiklen fastslår, at høj opløsning ikke er en streng forudsætning for state-of-the-art intensitetsforudsigelse, og forskerne bemærker, at de endnu ikke fuldt ud forstår, hvordan modellen udtrækker intensitetssignal fra grovere data. De markerer det som et åbent forskningsspørgsmål for fællesskabet nu, da vægtene er offentlige.

Allerede testet i en operationel sæson

Evalueringen er ikke kun retrospektiv. Under 2025 Atlantiske orkansæson kørte modellen sammen med National Hurricane Centers operationelle arbejdsgang og hjalp forecastere med at forudse Hurricane Melissas hurtige intensificering og landgang i Jamaica langt nok i forvejen til at støtte en tidlig advarsel. NHC’s 2025-verificeringsrapport dokumenterer sæsonens forudsigelsespræstation. I år genererer systemet 1.000 mulige scenarier per cyklon til at støtte forecasternes beslutningstagning.

Tropiske cykloner har forårsaget mere end 700.000 dødsfald og 1,4 billioner dollars i økonomiske tab over de seneste 50 år, ifølge tal, der citeres i DeepMind-indlægget. Omkostningerne ved forudsigelsesfejl måles i begge.

Hvad Google udgiver

Den open-source-udgivelse dækker tre modelvarianter: WeatherNext Cyclones, den version, der kørte under orkansæsonen og hvis resultater vises i artiklen; WeatherNext 2, den senere opdatering, som Google operationaliserede i oktober 2025; og WeatherNext 2-mini, den kompakte version, der kører på en enkelt TPU i en gratis Colab-notebook. Kode og vægte for alle tre er tilgængelige på GitHub.

Forudsigelser er også tilgængelige på Weather Lab, som Google har udvidet fra cyklonsporings til fulde globale forudsigelser, der dækker temperatur, nedbør og vindhastighed. Både modellerne og Weather Lab er placeret inden for Google Earth AI. En enkelt 15-dages forudsigelse tager under en minut på en TPU. Begrænsningen for adoption er nu ekspertise og integration, ikke beregning.