Google DeepMind представила WeatherNext 3 — новую модель ИИ для глобального прогноза погоды с повышенной точностью

Google DeepMind и Google Research анонсировали WeatherNext 3 — последнюю версию своей передовой модели искусственного интеллекта для прогнозирования погоды по всему миру. Новинка отличается улучшенным разрешением, обновлениями прогноза каждый час и интеграцией данных с геостационарных спутников в режиме реального времени.

WeatherNext 3 обеспечивает прогнозы с разрешением до 5 километров для ключевых поверхностных параметров, таких как температура и влажность, что примерно в пять раз точнее предыдущей версии WeatherNext 2, которая работала с сеткой 25 километров и обновляла данные каждые 6 часов. Модель поддерживает физическую согласованность от глобальных атмосферных процессов до локальных особенностей рельефа.

Главное отличие новой модели — обучение на реальных спутниковых наблюдениях без зависимости от традиционных численных моделей с задержкой данных в шесть часов. Это позволяет получать прогнозы с минимальной задержкой и лучше учитывать быстро меняющиеся погодные явления, включая осадки и температуру, особенно в регионах с сложным рельефом.

WeatherNext 3 также впервые включает специализированные прогнозы для возобновляемой энергетики: скорость ветра на высоте около 100 метров для оценки эффективности ветряных турбин, а также данные о солнечном излучении и облачности для оптимизации работы солнечных электростанций. Такие данные важны для планирования и управления сетями чистой энергии.

Точность прогноза осадков значительно улучшена благодаря обучению на высококачественных спутниковых данных NASA IMERG и собственных спутниковых радарах Google. В сравнении с эталонными данными модель показывает улучшение качества прогноза осадков на 60% по CRPS против IMERG и до 30% против MRMS.

WeatherNext 3 уже интегрирована в основные сервисы Google, включая Поиск, Gemini, Карты и платформу Google Maps API, а также доступна через BigQuery и Earth Engine для исследователей и разработчиков. Обновление позволяет повысить точность прогнозов осадков до 50%, особенно в регионах, где ранее прогнозы были менее надежными.

Хотя полная точность прогнозов погоды по-прежнему ограничена природной непредсказуемостью атмосферы, переход к обучению на реальных данных и частым обновлениям приближает возможности моделирования к реальному состоянию погоды.

По данным Blog.google.