Исследование
Google запускает WeatherNext 3 с почасовыми прогнозами на основе спутниковых данных
WeatherNext 3 использует наблюдения со спутников в реальном времени для создания почасовых глобальных прогнозов с разрешением до пяти километров, расширяя использование AI-погодных данных в Search, Maps, Gemini и Google Cloud.
Патрик Т ·
Google выиграл запустил WeatherNext 3, система прогнозирования с искусственным интеллектом, которая обрабатывает живые наблюдения спутников на геостационарной орбите и создает новый глобальный прогноз каждый час. Модель позволяет получать некоторые показатели поверхности с разрешением пять километров, что в пять раз лучше, чем сетка в 25 километров и шестичасовой цикл WeatherNext 2, и интегрируется в Search, Gemini, Maps, Google Maps Platform и Cloud.
Обновление направлено на решение постоянной слабости моделей погоды с ИИ. Многие из них обучаются на данных, полученных от систем численного прогнозирования погоды, которые дают согласованное представление об атмосфере, но могут поступать с задержкой. Быстро развивающийся дождь, температура поверхности и локальные грозы могут измениться до выхода следующего анализа. Прямой ввод данных со спутника дает WeatherNext 3 более свежую картину условий по мере их изменения.
Прогноз каждый час
WeatherNext 3 объединяет почасовые спутниковые мозаики с историческим анализом в функциональной генеративной сетевой трансформерной схеме. Он генерирует плотные атмосферные поля, треки циклонов и прогнозы для конкретных координат станций. Google утверждает, что температуру и влажность можно представлять с разрешением пять километров, другие наземные переменные — с разрешением 10 километров, а атмосферные ветры — с разрешением 25 километров.
Разрешение — это не просто визуальная «полировка». Береговые линии, горы, долины и города создают различия в погоде на коротких расстояниях. Ячейка в 25 километров может сгладить эти эффекты в одно среднее значение. Более детальные сетки предоставляют фермерам, энергетическим операторам и аварийным службам более релевантную локальную информацию, при условии, что модель остаётся откалиброванной и не предполагает точность, превышающую данные, подкрепляемые наблюдениями.
Google ссылается на независимые прямые оценки компании Brightband, называя WeatherNext 3 своей самой точной глобальной моделью. Непрерывная оценка ценна, потому что погода каждый день обеспечивает новую реальную информацию. Пользователи всё же должны проверять точность по регионам, переменным и срокам прогноза. Глобальное среднее значение может скрывать слабые прогнозы осадков в тех местах, где точные предупреждения имеют наибольшее значение.
Система также прогнозирует показатели чистой энергии, включая ветровые и солнечные условия. Операторам возобновляемых источников энергии нужны вероятностные прогнозы для планирования генерации, хранения и резервного энергоснабжения. Более точные обновления могут снизить затраты на балансировку, но рыночные решения требуют диапазонов неопределенности, а не одного детерминированного пути. Лучшая модель — это не та, которая звучит убедительно; это та, уверенность которой соответствует реальности.
Распределение меняет ставки
WeatherNext 3 не остаётся внутри исследовательского портала. Интеграция в повседневные продукты Google означает, что его прогнозы могут оказывать влияние на решения в сфере путешествий, сельского хозяйства и экстренных ситуаций в огромных масштабах. Распределение делает небольшие смещения существенными. Google необходима прозрачность происхождения данных, плавные способы работы при отсутствии наблюдений и интерфейсы, которые передают неопределённость людям, которые никогда не читали описание модели.
Доступ через облако создаёт новую аудиторию. Компании могут использовать данные WeatherNext в логистике, страховании, сельском хозяйстве и энергетических системах, не создавая собственную инфраструктуру прогнозирования. Это снижает технический барьер, но также может концентрировать зависимость от одного поставщика. Ключевые пользователи должны сохранять возможность сравнения с национальными метеорологическими службами и определить, что будет происходить, если API или модель изменятся.
С Всемирная метеорологическая организация поощряет более широкое использование ИИ, при этом подчеркивая, что национальные службы остаются ответственными за авторитетные предупреждения. Модели ИИ могут быстро генерировать прогнозы, но государственные органы сочетают их с данными радаров, местными наблюдениями, суждениями метеорологов и установленными каналами связи. Приложение для потребителей не следует принимать за официальный приказ об эвакуации.
Доступ может быть особенно ценным в регионах, которые не располагают суперкомпьютерами, необходимыми для высокоразрешающих численных моделей. Google указывает на Латинскую Америку, Африку и Азиатско-Тихоокеанский регион как на места, где более точные глобальные прогнозы могут частично восполнить этот разрыв. Польза будет зависеть от того, смогут ли местные агентства надежно получать данные, оценивать региональные показатели и передавать их на языках и в форматах, используемых сообществами.
ИИ присоединяется, а не заменяет физику
Прогнозистам потребуются инструменты, объясняющие, почему менялись последовательные почасовые запуски. Модель, смещающая путь штормов, должна показывать, вызвали ли пересмотр новые спутниковые наблюдения и как изменялся уровень уверенности. Без этого контекста пользователи могут чрезмерно реагировать на нормальные колебания прогноза или игнорировать важный сигнал, увидев несколько предыдущих обновлений, меняющих направление.
Историческая оценка должна учитывать качество наблюдений, доступных в то время. Воссоздание прогноза с использованием позднее исправленных данных может сделать результаты лучше, чем у настоящей системы реального времени. Поэтому подход Google к живой оценке важен: он фиксирует, что модель знала до того, как произошло событие погоды. Независимые архивы помогут исследователям проверить эти сравнения за полный сезон.
Соперничество между ИИ и численным прогнозированием часто преувеличено. Традиционные модели включают физические уравнения и создают богатые атмосферные состояния. Системы машинного обучения могут выявлять закономерности и генерировать ансамбли при гораздо меньших вычислительных затратах. Европейский центр среднесрочных прогнозов уже использует ИИ-прогнозирование наряду с традиционными системами. Операционные центры, вероятно, будут сочетать подходы, используя несогласие для выявления неопределенности и повышения устойчивости.
WeatherNext 3’s научная статья будет важна для понимания архитектуры, тренировочных данных, требований к вычислительным ресурсам и режимов отказа. Воспроизводимость может быть ограничена, если модель зависит от проприетарных данных или инфраструктуры. Независимым метеорологам требуется достаточно деталей, чтобы оценить, сохраняются ли достижения за пределами выбранных Google тестов и в условиях редких экстремальных явлений.
Экстремальные события являются самыми сложными и важными случаями, поскольку исторических примеров их меньше. Модель может улучшить среднюю ошибку температуры, при этом не заметив быстро усиливающийся циклон или локализованное наводнение. Поэтому оценка должна включать информацию о поведении хвоста распределения, времени предупреждения и надежности при изменении климатических условий, а не только об общей точности.
WeatherNext 3 представляет собой значительный инженерный шаг: более свежие наблюдения, более детализированное пространственное разрешение, обновления каждый час и распространение среди продуктов, которые люди уже используют. Его общественная ценность будет зависеть от дисциплинированной презентации и независимой проверки. Прогноз не полезен только потому, что его создал ИИ. Он полезен, когда люди понимают его неопределенность, комбинируют с местными данными и принимают лучшее решение до наступления погоды.
Темы: Google DeepMind, WeatherNext 3, прогнозирование погоды, климат, спутниковые данные