Google DeepMind lanserar WeatherNext 3 med timvisa prognoser på 5‑kilometers upplösning

Google DeepMind och Google Research den 3 september 2026, presenterade WeatherNext 3, en global AI‑baserad väderprognosmodell som genererar timvisa prognoser med en upplösning på upp till 5 kilometer och som integreras i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API och Google Earth Engine.

Teamet beskrev WeatherNext 3 som deras mest avancerade och exakta globala vädermodell hittills och hänvisade till oberoende levande utvärderingar av Brightband. Ett tekniskt papper skrivet av forskare vid Google DeepMind, Google Research och Google medföljde lanseringen och konstaterar att modellen körs i drift.

Timvisa prognoser med högre upplösning

WeatherNext 3 genererar timvisa prognoser på flera rumsliga upplösningar. Viktiga ytförhållanden såsom temperatur och fuktighet produceras med en upplösning på 5 kilometer, andra ytförhållanden på 10 kilometer och atmosfäriska variabler såsom vindhastighet på 25 kilometer. Google uppger att detta motsvarar en global väderbild som är ungefär fem gånger skarpare än deras tidigare modell, WeatherNext 2, som producerade prognoser på ett 25‑kilometers rutnät i sex‑timmarsintervaller.

Enligt papperet bygger WeatherNext 3 på Functional Generative Network‑metoden som låg till grund för WeatherNext 2 och levererar 15‑dagars, 64‑medlems ensembleprognoser som tränats för att minimera den kontinuerliga rangordnade sannolikhetspoängen, CRPS, ett standardmått för probabilistisk prognosförmåga. Modellen ökar den latenta storleken från 768 till 1024 och mesh‑transformatorns djup från 24 till 32 lager jämfört med WeatherNext 2, och produktionsversionen tränades på data fram till den 30 juni 2026. Systemet tar emot levande en‑timmars geostationära satellitmosaiker tillsammans med traditionell historisk analys, och matar en enda mesh‑transformator som genererar täta rutnätsfält, diskreta cyklonspår och station‑nivå‑prognoser.

Tränad på råa observationer

De flesta AI‑vädermodeller, inklusive WeatherNext 2, tränas på data från numeriska väderprognosmodeller, vilka är fysiksimuleringar med en sex‑timmars fördröjning. Google uppger att denna fördröjning kan introducera bias för snabbt föränderliga variabler såsom regn och yttemperatur. WeatherNext 3 tar istället emot en mosaik av levande globala geostationära satellitdata, vilket ger en kontinuerligt uppdaterad bild av atmosfären och möjliggör en ny prognos varje timme, varje baserad på de senaste tillgängliga satellitobservationerna.

Papperet anger att satellitmosaiken omfattar 11 kanaler med en upplösning på 0,1 grad och en operativ fördröjning på ungefär en timme. WeatherNext 3 tränas också direkt på glesa väderstationsobservationer, genom att kombinera tre ytdatamängder — METAR‑flygplatsstationer, regionala Mesonet‑nätverk och ICOADS‑skepps‑ och bojmätningar — från och med 2001. Papperet rapporterar att detta stations‑utdata‑huvud förutsäger 2‑meters temperatur och daggpunkt på vilken plats och tid som helst, beroende av lokala geografiska egenskaper såsom höjd.

För nederbörd tränas modellen på två källor: NASAs satellitbaserade Integrated Multi-satellite Retrievals for GPM (IMERG)-produkt och teamets egna globala nederbörds‑reanalys, kallad PARDIG, som papperet beskriver som en experimentell uppskattning framställd av en separat AI‑modell tränad för att förutsäga glesa rymdburna radardata från GPM‑kärnobservatoriet.

WeatherNext 3 introducerar också prognoser avsedda för förnybar energiproduktion. Google uppger att modellen förutspår vindhastigheter på 100 meter, ungefär turbinens höjd, för vindkraftsproduktion, samt högupplöst molntäcke och solstrålning för att hjälpa solkraftsparker att uppskatta solinstrålning vid marknivå.

Rapporterade utvärderingsresultat

I medellånga globala nederbördsprognoser rapporterade Google CRPS‑förbättringar på upp till 60 procent jämfört med IMERG, 30 procent för MRMS‑radarprodukten och 10 procent jämfört med regnmätarobservationer för tidiga förutsägelsehorisonter. Papperet tillägger att i utvärderingar mot väderstationer som hållits utanför träningsdata förbättrar stations‑huvudet CRPS för 2‑meters temperatur med upp till 30 procent jämfört med WeatherNext 2 och 40 procent jämfört med ECMWF ENS‑systemet vid korta förutsägelsehorisonter.

Papperet beskriver också en kvasi‑realtidsutvärdering under den sex‑veckorsperiod som sträcker sig från 1 juli till 11 augusti 2026, med användning av operativa datakällor. I den utvärderingen rapporterar författarna att WeatherNext 3 överträffade ECMWF:s AIFS ENS v2 för alla högre atmosfäriska variabler, med en genomsnittlig förbättring på ungefär 10 procent under den första prognosveckan, och visade små men konsekventa förbättringar jämfört med WeatherNext 2 i ensemble‑medelvärdet för tropiska cyklonspår och intensitetsfel.

Papperet dokumenterar också begränsningar. Författarna noterar synliga rumsliga och temporala artefakter i enskilda prognosprover, inklusive hexagonala mönster som speglar modellens mesh‑struktur, temporala diskontinuiteter över sex‑timmarsgränser i vissa utdata‑huvuden samt en per‑medlem global varm‑eller‑kall‑bias i stations‑huvudet. De konstaterar att marginalstatistik såsom ensemble‑kvantiler i stort sett är artefaktfria förutom i Antarktis, där stationsdata är gles.

Tillgänglighet i Googles produkter

WeatherNext 3 börjar driva väderupplevelser i Google Search, Gemini‑appen, Google Maps, Google Maps Platform Weather API och Google Earth Engine från den 3 september 2026. Google uppger att när människor planerar en dag eller längre fram i tiden kommer de att få upp till 50 procent mer precisa nederbördsprognoser, med de största förbättringarna i regioner där prognoser historiskt har varit mindre pålitliga.

Forskare, utvecklare och företag kan fråga data i BigQuery och Earth Engine eller ladda ner den i bulk från Google Cloud Storage i Zarr‑format. Googles utvecklardokumentation beskriver modellen som levererar 15‑dagars globala probabilistiska prognoser som initieras timvis över 64 ensemblemedlemmar, och listar ett anpassat inferensalternativ på Google Cloud som låter kunder generera skräddarsydda prognoser på dedikerade acceleratorer med kontroll över ensemble‑storlek och prognoshorisonter. Prognoserna kan också visas i realtid via Weather Lab, Google DeepMinds interaktiva visualiseringsplats.

Googles meddelande innehåller en ansvarsfriskrivning att WeatherNext är ett automatiserat, experimentellt AI‑system och att användare bör vända sig till lokala meteorologiska myndigheter eller nationella vädertjänster för officiella prognoser, allvarliga vädervarningar och allmänna säkerhetsråd.