Google DeepMind опубликовала в журнале Nature статью о модели WeatherNext, которая решает давнюю проблему прогнозирования ураганов: одновременную точность в определении траектории и интенсивности. Модель, созданная совместно с Национальным центром ураганов (NHC), Институтом исследований атмосферы и Метеорологическим бюро Великобритании, с июня 2025 года работает в реальном времени на платформе Google Weather Lab. Во время урагана Мелисса, обрушившегося на Ямайку в 2025 году, модель помогла NHC своевременно предсказать быстрое усиление шторма — явление, при котором скорость ветра возрастает минимум на 30 узлов (около 34 миль в час) за 24 часа.
Традиционно прогнозирование ураганов сталкивалось с компромиссом: глобальные модели, такие как ансамблевая система ECMWF (ENS), хорошо предсказывают траекторию, но недостаточно точны для оценки интенсивности. Специализированные региональные модели, например NOAA Hurricane Analysis and Forecast System (HAFS), дают более точные данные об интенсивности, но теряют точность в треке. WeatherNext (WN-C) объединяет оба аспекта в одной системе. Согласно статье, на пятидневном прогнозе средняя ошибка позиции центра шторма составляет 230 километров, тогда как у ENS — 370 километров, а у предшественника DeepMind, GenCast, — 335 километров. На трехдневных прогнозах интенсивности WN-C точнее HAFS на 3,75 узла (около 4,3 миль в час).
| Модель | Ошибка позиции на 5 дней (км) | Ошибка интенсивности на 3 дня (узлы) |
|---|---|---|
| WN-C | 230 | — |
| ENS | 370 | — |
| GenCast | 335 | — |
| HAFS | — | 3,75 (хуже) |
Ключевая особенность WN-C — работа с грубой сеткой данных, где каждая точка покрывает около 28 километров, что примерно в сто раз грубее, чем у специализированных региональных моделей. Даже компактная версия с разрешением 111 километров на точку дает конкурентоспособные результаты. Авторы пишут: «Высокое разрешение не является строгим требованием для современного прогнозирования интенсивности». Это открытие ставит вопрос: как модели удается достигать такой точности при грубых данных? Ответ остается предметом исследований.
На пятидневном прогнозе ошибка позиции WN-C — 230 км против 370 км у ENS и 335 км у GenCast.
Технически WN-C использует функциональные генеративные сети (FGN), которые заменяют диффузионные методы, применяемые в GenCast. Диффузия, известная по генераторам изображений, требует десятков проходов через нейросеть на каждом шаге прогноза, тогда как FGN обходится одним проходом, что делает модель в восемь раз быстрее. Для учета неопределенности система добавляет шум не в отдельные пиксели, а в управляющие слои сети, что порождает различные, но физически согласованные сценарии, а не просто шумные вариации одного выхода.
Обучение модели проходило на двух различных источниках данных: почти 20 терабайтах глобальных атмосферных данных из анализов ECMWF и курируемой базе из примерно 5000 исторических ураганов. Чтобы объединить эти данные, табличные данные о штормах (позиция, интенсивность, размер) проецировались на ту же географическую сетку, что и погодные данные. Это позволило сети предсказывать траекторию, интенсивность и радиусы ветра напрямую. Абляционные исследования в статье показывают, что именно совместное обучение обеспечивает улучшения.
Благодаря скорости FGN, 15-дневный прогноз выполняется менее чем за минуту на одном из чипов Google, что позволило увеличить число параллельных прогонов с 50 до 1000. Большие ансамбли помогают надежнее фиксировать редкие экстремальные события. Индекс критического успеха (CSI), который учитывает правильные предупреждения, ложные тревоги и пропущенные события, возрастает с ниже 0,3 до 0,5. По сравнению с традиционными моделями, WN-C достигает уровня ошибок ENS, GenCast и HAFS примерно на день позже, что дает дополнительный день предупреждения на практике.
DeepMind подчеркивает, что WN-C не заменяет традиционные численные модели, а дополняет их. NHC обычно комбинирует результаты нескольких физических моделей в взвешенное среднее для официальных прогнозов, разделяя трек (TVCN) и интенсивность (IVCN). В смоделированном взвешенном добавлении к этим консенсусным моделям WN-C улучшает прогнозы траектории в среднем на 28 процентов, а интенсивности — примерно на 6 процентов. Меньшее улучшение интенсивности показывает, что традиционные модели по-прежнему вносят значительный вклад в этой области. Ошибки позиции у ENS и ошибки интенсивности у HWRF медленно снижались с 2005 года, но WN-C за один шаг достигает такого же прогресса, какой традиционные модели накапливали около десятилетия.
