Google Research и DeepMind представили WeatherNext 3 — модель прогноза погоды, которая отказывается от традиционных физических симуляций и обучается непосредственно на данных реальных спутников. Это позволяет обновлять прогноз каждый час с разрешением до пяти километров для температуры и влажности, что в пять раз детальнее, чем у предшественника WeatherNext 2.
Традиционные модели численного прогноза погоды (NWP) полагаются на суперкомпьютеры, которые обрабатывают физические уравнения атмосферы. Этот процесс занимает около шести часов, что вносит ошибки для быстро меняющихся переменных, таких как осадки и температура. WeatherNext 3 вместо этого обрабатывает данные геостационарных спутников в реальном времени, что позволяет выдавать свежий прогноз каждый час на основе последних наблюдений. Такой подход особенно важен для быстро развивающихся штормов и осадков, где оперативность напрямую влияет на точность.
| Параметр | WeatherNext 2 | WeatherNext 3 |
|---|---|---|
| Разрешение для температуры | 25 км | 5 км |
| Интервал обновления | 6 часов | 1 час |
| Источник данных | NWP-симуляции | Спутниковые данные в реальном времени |
Модель обучается на двух источниках данных: спутниковом наборе IMERG от NASA и собственной глобальной системе анализа осадков Google, построенной на спутниковых радарах. Кроме того, WeatherNext 3 учитывает данные отдельных метеостанций, что позволяет улавливать особенности береговых линий, долин и гор. Это дает более точные глобальные прогнозы, отражающие региональные условия. По словам Google, наибольший выигрыш получат регионы Латинской Америки, Африки и Азиатско-Тихоокеанского региона, где из-за высокой стоимости вычислений традиционные региональные модели были малодоступны.
Модель обновляет прогноз ежечасно, а разрешение для температуры и влажности достигает пяти километров.
Сравнение с WeatherNext 2 наглядно: прогноз температуры над Великобританией при разрешении 25 километров выглядит как пиксельная карта, тогда как WeatherNext 3 с пятикилометровой сеткой различает горные хребты и береговые линии. Для осадков над Тихоокеанским Северо-Западом новая модель разрешает узкие полосы дождя гораздо четче и ближе к радиолокационным наблюдениям.
Точность прогнозов оценивается по метрике CRPS (Continuous Ranked Probability Score). На коротких горизонтах улучшения достигают 60% по сравнению с IMERG, 30% по сравнению с MRMS и 10% по сравнению с данными дождемеров. WeatherNext 3 также прогнозирует скорость ветра на высоте 100 метров — примерно на уровне турбин ветряных электростанций, что позволяет оценивать их выработку. Более точные данные об облачности и солнечной радиации помогают солнечным установкам рассчитывать ожидаемую генерацию. Google полагает, что это поможет операторам сетей балансировать спрос и предложение.
Модель уже интегрирована в погодные функции Google Search, приложения Gemini, Google Maps, Google Maps Platform Weather API и Google Earth Engine. Пользователи, планирующие день или более вперед, должны увидеть до 50% более точные прогнозы осадков, особенно в регионах, где предсказания были менее надежными. Google признает, что атмосфера всегда будет в некоторой степени непредсказуемой, и для официальных прогнозов, предупреждений о суровой погоде и рекомендаций по безопасности отсылает пользователей к национальным метеорологическим службам.
WeatherNext 3 построена на той же архитектуре Functional Generative Network, что и WeatherNext 2, выпущенная в ноябре 2025 года. WeatherNext 2 превзошла первое поколение WeatherNext по 99,9% метеорологических переменных и работала в восемь раз быстрее, обрабатывая сотни сценариев погоды менее чем за минуту на одном TPU. В августе 2026 года DeepMind открыла исходный код WeatherNext 2 и WeatherNext Cyclones — модели, предсказывающей траектории тропических штормов и их интенсивность. В конце 2024 года DeepMind выпустила GenCast — первую вероятностную модель ИИ для прогноза погоды, превзошедшую ансамблевую систему ECMWF.
Переход от физических симуляций к обучению на реальных данных — заметный сдвиг в метеорологии. Он не только ускоряет обновление прогнозов, но и делает высокоточные прогнозы доступными для регионов, которые ранее были обделены вниманием из-за вычислительных затрат. Однако, как отмечают исследователи, атмосфера остается хаотичной системой, и даже самые совершенные модели не могут гарантировать абсолютную точность на длительных горизонтах.
