Google DeepMind Meluncurkan WeatherNext 3 dengan Prakiraan Per Jam 5 Kilometer

Google DeepMind dan Google Research pada 3 September 2026, memperkenalkan WeatherNext 3, sebuah model peramalan cuaca AI global yang menghasilkan prakiraan per jam dengan resolusi hingga 5 kilometer dan sedang diintegrasikan ke dalam Google Search, aplikasi Gemini, Google Maps, Google Maps Platform Weather API, dan Google Earth Engine.

Tim menyebut WeatherNext 3 sebagai model cuaca global paling canggih dan akurat yang pernah mereka buat, dengan merujuk pada evaluasi langsung independen oleh Brightband. Sebuah makalah teknis yang ditulis oleh peneliti di Google DeepMind, Google Research, dan Google menyertai rilis ini serta menyatakan bahwa model tersebut telah beroperasi secara produksi.

Prakiraan Per Jam dengan Resolusi Lebih Tinggi

WeatherNext 3 menghasilkan prakiraan per jam pada beberapa resolusi spasial. Variabel permukaan utama seperti suhu dan kelembapan diproduksi dengan resolusi 5 kilometer, variabel permukaan lainnya pada 10 kilometer, dan variabel atmosferik seperti kecepatan angin pada 25 kilometer. Google menyatakan hal ini menghasilkan gambaran cuaca global yang kira‑kira lima kali lebih tajam dibandingkan model sebelumnya, WeatherNext 2, yang menghasilkan prakiraan pada grid 25 kilometer dengan interval enam jam.

Menurut makalah tersebut, WeatherNext 3 dibangun di atas pendekatan Functional Generative Network yang menjadi dasar WeatherNext 2 dan menghasilkan prakiraan ensemble 64‑anggota selama 15 hari yang dilatih untuk meminimalkan continuous ranked probability score (CRPS), ukuran standar kemampuan prakiraan probabilistik. Model ini meningkatkan ukuran laten dari 768 menjadi 1024 dan kedalaman mesh transformer dari 24 menjadi 32 lapisan dibandingkan WeatherNext 2, serta versi produksi dilatih dengan data hingga 30 Juni 2026. Sistem ini mengonsumsi mosaik satelit geostasioner satu‑jam secara langsung bersama analisis historis tradisional, memberi satu mesh transformer yang menghasilkan bidang bergrid padat, lintasan siklon diskrit, dan prediksi tingkat stasiun.

Dilatih pada Pengamatan Mentah

Sebagian besar model cuaca AI, termasuk WeatherNext 2, dilatih dengan data dari model prediksi cuaca numerik, yang merupakan simulasi fisika dengan jeda data enam jam. Google menyatakan jeda tersebut dapat menimbulkan bias pada variabel yang berubah cepat seperti hujan dan suhu permukaan. WeatherNext 3 justru mengonsumsi mosaik data satelit geostasioner global secara langsung, memberikan pandangan atmosfer yang terus diperbarui dan memungkinkan prakiraan baru setiap jam, masing‑masing didasarkan pada pengamatan satelit terbaru yang tersedia.

Makalah tersebut menyatakan bahwa mosaik satelit mencakup 11 kanal dengan resolusi 0,1 derajat dan latensi operasional kira‑kira satu jam. WeatherNext 3 juga dilatih langsung pada pengamatan stasiun cuaca yang jarang, menggabungkan tiga dataset permukaan — stasiun METAR bandara, jaringan Mesonet regional, dan pengukuran kapal serta buoy ICOADS — sejak tahun 2001. Makalah melaporkan bahwa kepala output stasiun ini memprediksi suhu 2‑meter dan titik embun di lokasi dan waktu mana pun, dengan mempertimbangkan fitur geografis lokal seperti elevasi.

Untuk presipitasi, model dilatih pada dua sumber: produk Integrated Multi‑satellite Retrievals for GPM (IMERG) berbasis satelit NASA dan reanalisis presipitasi global tim sendiri, yang disebut PARDIG, yang dalam makalah dijelaskan sebagai perkiraan eksperimental yang dihasilkan oleh model AI terpisah yang dilatih untuk memprediksi data radar ruang‑angkasa jarang dari observatorium inti GPM.

WeatherNext 3 juga memperkenalkan prediksi yang ditujukan untuk produksi energi terbarukan. Google menyatakan model ini memperkirakan kecepatan angin pada ketinggian 100 meter, kira‑kira tinggi turbin, untuk output energi angin, serta tutupan awan beresolusi tinggi dan tingkat radiasi matahari untuk membantu ladang surya memperkirakan sinar matahari di permukaan tanah.

Hasil Evaluasi yang Dilaporkan

Dalam prakiraan presipitasi global jangka menengah, Google melaporkan peningkatan CRPS hingga 60 % dibandingkan IMERG, 30 % untuk produk radar MRMS, dan 10 % dibandingkan pengukuran hujan gauge pada lead time awal. Makalah menambahkan bahwa, dalam evaluasi terhadap stasiun cuaca yang tidak termasuk dalam pelatihan, kepala stasiun meningkatkan CRPS untuk suhu 2‑meter hingga 30 % dibandingkan WeatherNext 2 dan 40 % dibandingkan sistem ECMWF ENS pada lead time pendek.

Makalah juga menggambarkan evaluasi semi‑real‑time selama periode enam minggu dari 1 Juli hingga 11 Agustus 2026, menggunakan aliran data operasional. Dalam evaluasi tersebut, penulis melaporkan bahwa WeatherNext 3 mengungguli ECMWF AIFS ENS v2 pada semua variabel level atas, dengan rata‑rata peningkatan kira‑kira 10 % pada minggu prakiraan pertama, serta menunjukkan perbaikan kecil namun konsisten dibandingkan WeatherNext 2 pada kesalahan lintasan dan intensitas siklon tropis ensemble mean.

Makalah juga mendokumentasikan keterbatasan. Penulis mencatat artefak spasial dan temporal yang terlihat pada sampel prakiraan individual, termasuk pola heksagonal yang mencerminkan struktur mesh model, diskontinuitas temporal pada batas enam jam pada beberapa kepala output, serta bias hangat‑atau‑dingin global per‑anggota pada kepala stasiun. Mereka menyatakan bahwa statistik marginal seperti kuantil ensemble sebagian besar bebas artefak kecuali di Antartika, di mana data stasiun sangat jarang.

Ketersediaan di Berbagai Produk Google

WeatherNext 3 mulai memberikan daya pada pengalaman cuaca di Google Search, aplikasi Gemini, Google Maps, Google Maps Platform Weather API, dan Google Earth Engine mulai 3 September 2026. Google menyatakan bahwa ketika orang merencanakan satu hari atau lebih ke depan, mereka akan melihat prakiraan presipitasi hingga 50 % lebih akurat, dengan peningkatan terbesar di wilayah yang secara historis memiliki prakiraan kurang dapat diandalkan.

Peneliti, pengembang, dan bisnis dapat menanyakan data di BigQuery dan Earth Engine atau mengunduhnya secara massal dari Google Cloud Storage dalam format Zarr. Dokumentasi pengembang Google menjelaskan model ini memberikan prakiraan probabilistik global 15‑hari yang diinisialisasi per jam pada 64 anggota ensemble, serta mencantumkan opsi inferensi khusus di Google Cloud yang memungkinkan pelanggan menghasilkan prakiraan yang disesuaikan pada akselerator khusus dengan kontrol atas ukuran ensemble dan horizon prakiraan. Prakiraan tersebut juga dapat dilihat secara real‑time melalui Weather Lab, situs visualisasi interaktif Google DeepMind.

Pengumuman Google menyertakan disclaimer bahwa WeatherNext adalah sistem AI otomatis dan eksperimental serta pengguna harus merujuk ke badan meteorologi lokal atau layanan cuaca nasional untuk prakiraan resmi, peringatan cuaca ekstrem, dan advis keselamatan publik.