Google DeepMind wprowadza WeatherNext 3 z prognozami godzinowymi o rozdzielczości 5 km

Google DeepMind i Google Research 3 września 2026 r. przedstawiły WeatherNext 3, globalny model prognozowania pogody oparty na AI, który generuje prognozy godzinowe w rozdzielczości do 5 km i jest integrowany z Google Search, aplikacją Gemini, Google Maps, interfejsem Weather API platformy Google Maps oraz Google Earth Engine.

Zespoły określiły WeatherNext 3 jako ich najnowocześniejszy i najdokładniejszy dotychczasowy globalny model pogodowy, odwołując się do niezależnych ocen na żywo przeprowadzonych przez Brightband. Artykuł techniczny autorstwa badaczy z Google DeepMind, Google Research i Google towarzyszący premierze stwierdza, że model działa w warunkach operacyjnych.

Prognozy godzinowe w wyższej rozdzielczości

WeatherNext 3 generuje prognozy godzinowe w wielu rozdzielczościach przestrzennych. Kluczowe zmienne powierzchniowe, takie jak temperatura i wilgotność, są tworzone w rozdzielczości 5 km, inne zmienne powierzchniowe w 10 km, a zmienne atmosferyczne, takie jak prędkość wiatru, w 25 km. Google podaje, że daje to globalny obraz pogody około pięć razy ostrzejszy niż w poprzednim modelu, WeatherNext 2, który generował prognozy na siatce 25‑km w sześciogodzinnych odstępach.

Zgodnie z artykułem, WeatherNext 3 opiera się na podejściu Functional Generative Network, które było podstawą WeatherNext 2, i generuje prognozy 15‑dniowe z zespołem 64 członków, trenowane w celu minimalizacji wskaźnika Continuous Ranked Probability Score (CRPS), standardowej miary jakości prognoz probabilistycznych. Model zwiększa rozmiar warstwy ukrytej z 768 do 1024 oraz głębokość transformera siatkowego z 24 do 32 warstw w porównaniu z WeatherNext 2, a wersja produkcyjna była trenowana na danych do 30 czerwca 2026 r. System przyjmuje na żywo jednogodzinne mozaiki satelitarne geostacjonarne wraz z tradycyjną analizą historyczną, dostarczając pojedynczy transformer siatkowy, który generuje gęste pola siatkowe, dyskretne ścieżki cyklonów oraz prognozy na poziomie stacji.

Trenowany na surowych obserwacjach

Większość modeli pogodowych opartych na AI, w tym WeatherNext 2, jest trenowana na danych z numerycznych modeli prognozowania pogody, będących symulacjami fizycznymi z sześciogodzinnym opóźnieniem danych. Google wskazało, że takie opóźnienie może wprowadzać uprzedzenia w przypadku szybko zmieniających się zmiennych, takich jak opady i temperatura powierzchniowa. WeatherNext 3 zamiast tego przyjmuje mozaikę bieżących globalnych danych satelitarnych geostacjonarnych, co zapewnia nieustannie aktualny obraz atmosfery i umożliwia generowanie nowej prognozy co godzinę, każdej opartej na najnowszych dostępnych obserwacjach satelitarnych.

W artykule podano, że mozaika satelitarna obejmuje 11 kanałów w rozdzielczości 0,1 stopnia przy opóźnieniu operacyjnym wynoszącym około jednej godziny. WeatherNext 3 jest także trenowany bezpośrednio na rzadkich obserwacjach stacji pogodowych, łącząc trzy zestawy danych powierzchniowych — stacje lotniskowe METAR, regionalne sieci Mesonet oraz pomiary statków i boi ICOADS — od 2001 r. Artykuł informuje, że ta głowica wyjściowa stacji prognozuje temperaturę i punkt rosy na wysokości 2 metrów w dowolnym miejscu i czasie, uwzględniając lokalne cechy geograficzne, takie jak wysokość nad poziomem morza.

W przypadku opadów model jest trenowany na dwóch źródłach: produkt IMERG (Integrated Multi-satellite Retrievals for GPM) oparty na satelitach NASA oraz własna globalna rekonstrukcja opadów zespołu, nazwana PARDIG, którą artykuł opisuje jako eksperymentalną estymację wygenerowaną przez oddzielny model AI, trenowany do przewidywania rzadkich danych radarowych pochodzących z obserwatorium GPM.

WeatherNext 3 wprowadza także prognozy skierowane na produkcję energii odnawialnej. Google podaje, że model prognozuje prędkości wiatru na wysokości 100 metrów, czyli przybliżonej wysokości turbin, dla produkcji energii wiatrowej, a także wysokiej rozdzielczości pokrycie chmur i poziomy promieniowania słonecznego, aby pomóc farmom słonecznym oszacować nasłonecznienie na poziomie gruntu.

Zgłoszone wyniki oceny

W prognozach średniodystansowych globalnych opadów Google odnotował poprawę wskaźnika CRPS o nawet 60 % w porównaniu z IMERG, 30 % w stosunku do produktu radarowego MRMS oraz 10 % w porównaniu z pomiarami deszczomierzy przy krótkich prognozach. Artykuł dodaje, że w ocenach względem stacji pogodowych wyłączonych z treningu, głowica stacji poprawia CRPS dla temperatury na wysokości 2 m o nawet 30 % w porównaniu z WeatherNext 2 i o 40 % w porównaniu z systemem ECMWF ENS przy krótkich prognozach.

Artykuł opisuje również quasi‑czasową ocenę przeprowadzoną w sześciotygodniowym okresie od 1 lipca do 11 sierpnia 2026 r., wykorzystując operacyjne strumienie danych. W tej ocenie autorzy podają, że WeatherNext 3 przewyższył AIFS ENS v2 ECMWF we wszystkich zmiennych na wyższych poziomach, osiągając średnią poprawę około 10 % w pierwszym tygodniu prognozy, oraz wykazał niewielkie, lecz konsekwentne ulepszenia w stosunku do WeatherNext 2 w średniej ścieżce i błędzie intensywności tropikalnych cyklonów w zestawie.

Artykuł dokumentuje również ograniczenia. Autorzy zauważają widoczne artefakty przestrzenne i czasowe w poszczególnych próbkach prognoz, w tym heksagonalne wzory odzwierciedlające strukturę siatki modelu, dyskontynuacje czasowe na granicach sześciogodzinnych w niektórych głowicach wyjściowych oraz globalne tendencyjne odchylenie cieplejsze lub chłodniejsze w głowicy stacji dla każdego członka zespołu. Stwierdzają, że statystyki marginalne, takie jak kwantyle zespołu, są w dużej mierze wolne od artefaktów, z wyjątkiem Antarktydy, gdzie dane stacji są rzadkie.

Dostępność w produktach Google

WeatherNext 3 zaczyna zasilać doświadczenia pogodowe w Google Search, aplikacji Gemini, Google Maps, interfejsie Weather API platformy Google Maps oraz Google Earth Engine od 3 września 2026 r. Google podaje, że gdy użytkownicy planują dzień lub dłużej, zobaczą prognozy opadów o nawet 50 % dokładniejsze, przy największych ulepszeniach w regionach, w których prognozy historycznie były mniej wiarygodne.

Badacze, programiści i firmy mogą odpytywać dane w BigQuery i Earth Engine lub pobrać je hurtowo z Google Cloud Storage w formacie Zarr. Dokumentacja deweloperska Google opisuje model jako dostarczający 15‑dniowe globalne prognozy probabilistyczne inicjowane co godzinę, obejmujące 64 członków zespołu, oraz wymienia opcję niestandardowego wnioskowania w Google Cloud, która umożliwia klientom generowanie dopasowanych prognoz na dedykowanych akceleratorach z kontrolą nad rozmiarem zespołu i horyzontem prognozy. Prognozy można również oglądać w czasie rzeczywistym poprzez Weather Lab, interaktywną witrynę wizualizacji Google DeepMind.

Ogłoszenie Google zawiera zastrzeżenie, że WeatherNext jest zautomatyzowanym, eksperymentalnym systemem AI i że użytkownicy powinni odwoływać się do lokalnych agencji meteorologicznych lub krajowych służb pogodowych w celu uzyskania oficjalnych prognoz, ostrzeżeń przed ekstremalnymi warunkami pogodowymi oraz informacji o bezpieczeństwie publicznym.