Прогноз погоды всегда был гонкой со временем. Атмосфера меняется непрерывно, но даже самые совершенные глобальные системы начинают расчёт с неполного снимка того, что уже произошло.
Новая модель WeatherNext 3 от Google DeepMind должна сократить этот разрыв. Она получает свежие спутниковые наблюдения и каждый час формирует новый глобальный прогноз. Google называет её своей наиболее точной и детализированной погодной моделью — предназначенной не только для бытовых прогнозов, но и для энергетики, авиации, сельского хозяйства, логистики и экстренных служб.
От шестичасовых снимков к непрерывному наблюдению
Современный прогноз начинается с ассимиляции данных: измерения спутников, наземных станций, самолётов, аэростатов и других приборов объединяются с физической моделью атмосферы. Так создаётся оценка её текущего состояния.
Это чрезвычайно сложный и ресурсоёмкий процесс. Подготовка исходных данных занимает время, поэтому многие глобальные модели обновляются по привычному шестичасовому циклу.
Ранние AI-системы прогнозирования также во многом опирались на результаты таких численных расчётов. WeatherNext 3 добавляет принципиально новый источник: постоянно обновляемую мозаику изображений с геостационарных спутников, которые непрерывно наблюдают большие участки Земли.
Благодаря этому модель выпускает новый прогноз каждый час. Разница особенно важна, когда погода развивается быстро: грозовой фронт, зона интенсивных осадков или прибрежный шторм способны заметно измениться, пока традиционная система ожидает следующего расчётного цикла.
WeatherNext 3 не отказывается от классической метеорологии. Она объединяет спутниковые данные, архивные анализы атмосферы и наблюдения наземных станций. Главное изменение состоит в том, что свежие наблюдения поступают непосредственно в модель, не ожидая подготовки очередного полного численного анализа.
Глобальная модель начинает видеть локальные особенности
WeatherNext 3 рассчитывает температуру и влажность у поверхности с разрешением до пяти километров. Для других поверхностных переменных используется сетка около десяти километров, а для атмосферных параметров, включая ветер, — примерно 25 километров.
По сравнению с WeatherNext 2, работавшей преимущественно с сеткой 25 километров и шестичасовыми интервалами, детализация некоторых прогнозов выросла приблизительно в пять раз.
Пять километров — всё ещё не уровень отдельной улицы. Такая модель не сможет точно воспроизвести каждый локальный порыв ветра или одиночный ливень. Однако она уже значительно лучше различает береговые линии, долины и горные хребты. Именно эти особенности рельефа часто определяют температуру, влажность, ветер и распределение осадков.
Система дополнительно обучается на данных наземных метеостанций. Это помогает уменьшать сглаживание и региональные ошибки, возникающие, когда модель видит атмосферу только как набор крупных ячеек.
Операционные данные WeatherNext 3 включают глобальные прогнозы на сетке 0,1 градуса и отдельный продукт с разрешением 0,05 градуса для температуры и точки росы, откалиброванный по наблюдениям метеостанций.
При этом модель выдаёт не одно категоричное значение, а вероятностный прогноз. Пользователям доступны средние оценки, диапазоны вероятностей и исходный ансамбль из 64 вариантов развития атмосферы. Для энергетики, авиации и логистики понимание возможного диапазона часто важнее единственного числа.
Осадки остаются самым трудным испытанием
Температура и крупные области атмосферного давления меняются относительно плавно. Дождь и снег прогнозировать гораздо сложнее.
Они зависят от процессов внутри облаков, происходящих на масштабах меньше ячейки глобальной модели. Небольшая ошибка в положении или времени образования грозы может полностью изменить локальный прогноз.
Для обучения WeatherNext 3 использовались спутниковые данные NASA IMERG и собственный набор Google, объединяющий спутниковые и радиолокационные наблюдения осадков.
По заявлению Google, в отдельных тестах качество вероятностного прогноза выросло до 60% относительно IMERG, до 30% относительно американской радиолокационной системы MRMS и до 10% при сравнении с дождемерами на малых временных горизонтах.
Эти числа требуют осторожной интерпретации. Они относятся к определённым наборам данных, метрикам и периодам прогнозирования. Они не означают, что любой локальный прогноз дождя стал точнее на 60%.
Google также ссылается на независимые оперативные оценки компании Brightband, однако WeatherNext 3 ещё предстоит пройти проверку разными сезонами, регионами и редкими экстремальными событиями.
Тем не менее сочетание более чётких границ осадков и ежечасного обновления атакует одну из самых заметных слабостей глобальных AI-прогнозов: модель может правильно увидеть крупную погодную систему, но ошибиться в том, где именно пройдёт дождь.
Прогноз погоды превращается в программную инфраструктуру
Вероятно, наиболее важная часть WeatherNext 3 — не сама модель, а её быстрое внедрение в реальные сервисы.
Она начинает использоваться в Google Search, Maps и Gemini, а также в Google Maps Platform Weather API. Данные доступны через BigQuery, Earth Engine и Google Cloud Storage.
Компания может объединить почасовой вероятностный прогноз с координатами складов, дорог, магазинов, полей или электростанций с помощью обычных геопространственных запросов.
Таким образом, погода становится программируемым входным параметром бизнеса.
Логистическая компания сможет оценивать риск срыва маршрутов. Аграрный сервис — сопоставлять вероятность осадков с границами полей. Экстренные службы — автоматически обновлять карты риска после каждого нового расчёта.
Особенно важное применение связано с возобновляемой энергетикой. WeatherNext 3 прогнозирует скорость ветра примерно на высоте ветрогенераторов, а также облачность и количество солнечного излучения у поверхности.
Эти данные позволяют заранее оценивать производство солнечных и ветровых электростанций и понимать, сколько накопленной или резервной энергии потребуется для балансировки сети.
Для регионов без плотной сети радаров и ресурсов для собственных высокоточных моделей глобальная система с частыми обновлениями может оказаться особенно полезной. Она не создаёт наблюдения там, где их нет, но спутниковое покрытие способно частично сократить инфраструктурный разрыв.
Искусственный интеллект не отменяет метеорологию
WeatherNext 3 продолжает отход от представления, что прогноз обязательно должен создаваться только суперкомпьютером, последовательно решающим физические уравнения.
Нейросетевые системы способны изучить приближённую динамику атмосферы и гораздо быстрее создавать большие вероятностные ансамбли. Но это не означает, что классические модели или метеорологи становятся ненужными.
Численные расчёты, реальные наблюдения, AI-модели и опыт специалистов дают разные виды информации. Редкие события, меняющийся климат и пробелы в данных остаются сложной задачей для любой системы.
Государственные метеослужбы также отвечают за официальные предупреждения, локальную интерпретацию ситуации и общественную безопасность. Google отдельно подчёркивает, что при опасных погодных явлениях необходимо руководствоваться сообщениями национальных метеорологических служб.
Главное достижение WeatherNext 3 не в том, что искусственный интеллект якобы «решил» погоду. Глобальный прогноз становится более непрерывным, более детальным и значительно проще подключается к другим программным системам.
Атмосфера теперь рассматривается не как расчёт, который обновляют несколько раз в сутки, а как живой поток данных — доступный энергетическим сетям, предприятиям и миллиардам пользователей почти сразу после изменения условий.