Google DeepMind lanserer WeatherNext 3 med timevise prognoser på 5‑kilometeroppløsning

Google DeepMind og Google Research kunngjorde 3. september 2026 WeatherNext 3, en global AI‑basert værprognosemodell som genererer timevise prognoser med opptil 5 kilometer oppløsning og som integreres i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API og Google Earth Engine.

Teamene beskrev WeatherNext 3 som deres mest avanserte og nøyaktige globale væremodell hittil, og henviste til uavhengige live‑evalueringer fra Brightband. Et teknisk papir skrevet av forskere ved Google DeepMind, Google Research og Google fulgte med kunngjøringen og fastslår at modellen er i operativ drift.

Timevise prognoser med høyere oppløsning

WeatherNext 3 genererer timevise prognoser på flere romlige oppløsninger. Viktige overflatevariabler som temperatur og fuktighet produseres med 5 kilometer oppløsning, andre overflatevariabler med 10 kilometer, og atmosfæriske variabler som vindhastighet med 25 kilometer. Google oppgir at dette gir et globalt værbilde omtrent fem ganger skarpere enn deres forrige modell, WeatherNext 2, som produserte prognoser på et 25 kilometer rutenett i seks‑timmers intervaller.

Ifølge papiret bygger WeatherNext 3 på Functional Generative Network‑metoden som lå til grunn for WeatherNext 2, og produserer 15‑dagers prognoser med et ensemble på 64 medlemmer, trent for å minimere den kontinuerlige rangerte sannsynlighetsscoren (CRPS), et standardmål for sannsynlighetsbasert prognoseferdighet. Modellen øker den latente størrelsen fra 768 til 1024 og dybden i mesh‑transformeren fra 24 til 32 lag sammenlignet med WeatherNext 2, og produksjonsversjonen ble trent på data frem til 30. juni 2026. Systemet inntar live‑satellittmosaikker fra geostasjonære satellitter med én‑tims oppdatering sammen med tradisjonell historisk analyse, og leverer til en enkelt mesh‑transformer som produserer tette rutenettfelt, diskrete syklonspor og prediksjoner på stasjonsnivå.

Trent på rå observasjoner

De fleste AI‑værmodeller, inkludert WeatherNext 2, er trent på data fra numeriske værprognosemodeller, som er fysikksimuleringer med et seks‑timmers datalagg. Google påpeker at dette kan innføre skjevheter for raskt varierende variabler som nedbør og overflatetemperatur. WeatherNext 3 inntar i stedet en mosaikk av live globale geostasjonære satellittdata, noe som gir en kontinuerlig oppdatert oversikt over atmosfæren og gjør det mulig med en ny prognose hver time, basert på de nyeste tilgjengelige satellittobservasjonene.

Papiret oppgir at satellittmosaikken dekker 11 kanaler med 0,1‑grad oppløsning og en operasjonell latens på omtrent én time. WeatherNext 3 trener også direkte på spredte værstasjonobservasjoner, ved å kombinere tre overflatedatasett – METAR‑flyplassstasjoner, regionale Mesonet‑nettverk og ICOADS‑skip- og bøye‑målinger – fra 2001. Papiret rapporterer at dette stasjons‑utdata‑hodet forutsier 2‑meter temperatur og duggpunkt på ethvert sted og tidspunkt, betinget av lokale geografiske trekk som høyde.

For nedbør er modellen trent på to kilder: NASAs satellittbaserte Integrated Multi‑satellite Retrievals for GPM (IMERG)-produkt og teamets egen globale nedbørs‑reanalyse, kalt PARDIG, som papiret beskriver som et eksperimentelt estimat produsert av en separat AI‑modell trent til å forutsi spredte rom‑baserte radardata fra GPM‑kjerneobservatoriet.

WeatherNext 3 introduserer også prognoser rettet mot fornybar energiproduksjon. Google oppgir at modellen forutsier vindhastigheter på 100 meter, omtrent turbinhøyde, for vindenergiproduksjon, samt høyoppløselig skydekke og solstrålingsnivåer for å hjelpe solparker med å estimere sollys ved bakken.

Rapporterte evalueringsresultater

I mellomdistanse‑globale nedbørsprognoser rapporterte Google CRPS‑forbedringer på opptil 60 % sammenlignet med IMERG, 30 % for MRMS‑radarbasserte produkter, og 10 % sammenlignet med regnmålermålinger for tidlige ledetider. Papiret legger til at i evalueringer mot værstasjoner som ble holdt utenfor trening, forbedrer stasjons‑hodet CRPS for 2‑meter temperatur med opptil 30 % sammenlignet med WeatherNext 2 og 40 % sammenlignet med ECMWF ENS‑systemet ved korte ledetider.

Papiret beskriver også en kvasi‑real‑time‑evaluering over en seks‑ukers periode fra 1. juli til 11. august 2026, ved bruk av operative datakilder. I den evalueringen rapporterer forfatterne at WeatherNext 3 overgikk ECMWFs AIFS ENS v2 på alle høyere nivå‑variabler, med en gjennomsnittlig forbedring på omtrent 10 % i den første prognoseuken, og viste små men konsistente forbedringer sammenlignet med WeatherNext 2 i ensemble‑gjennomsnittlig sporkurve og intensitetsfeil for tropiske sykloner.

Papiret dokumenterer også begrensninger. Forfatterne påpeker synlige romlige og tidsmessige artefakter i enkelte prognosetilfeller, inkludert heksagonale mønstre som reflekterer modellens mesh‑struktur, tidsmessige diskontinuiteter over seks‑timmers grenser i noen utdata‑hoder, og en per‑medlem global varm‑eller‑kald‑skjevhet i stasjons‑hodet. De oppgir at marginalstatistikk som ensemble‑kvantiler stort sett er fri for artefakter, unntatt i Antarktis hvor stasjonsdata er sparsomt.

Tilgjengelighet på tvers av Google‑produkter

WeatherNext 3 begynner å drive væropplevelser i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API og Google Earth Engine fra 3. september 2026. Google oppgir at når folk planlegger en dag eller mer frem i tid, vil de få opptil 50 % mer nøyaktige nedbørsprognoser, med størst forbedring i regioner hvor prognoser historisk har vært mindre pålitelige.

Forskere, utviklere og bedrifter kan spørre dataene i BigQuery og Earth Engine eller masse‑laste dem ned fra Google Cloud Storage i Zarr‑format. Googles utviklerdokumentasjon beskriver modellen som leverer 15‑dagers globale probabilistiske prognoser som initieres hver time over 64 ensemble‑medlemmer, og nevner et tilpasset inferensalternativ på Google Cloud som lar kunder generere skreddersydde prognoser på dedikerte akseleratorer med kontroll over ensemble‑størrelse og prognosehorisonter. Prognosene kan også vises i sanntid via Weather Lab, Google DeepMinds interaktive visualiseringsside.

Googles kunngjøring inneholder en ansvarsfraskrivelse om at WeatherNext er et automatisert, eksperimentelt AI‑system, og at brukere bør henvende seg til lokale meteorologiske byråer eller nasjonale vær­tjenester for offisielle prognoser, varsler om alvorlig vær og offentlige sikkerhets­advarsler.