WeatherNext Cyclones: AI przewiduje huragany szybciej

Naukowcy z Google DeepMind we współpracy z amerykańskim Narodowym Centrum Huraganów (NHC), Instytutem Badań Atmosfery (CIRA) oraz brytyjskim Met Office opracowali model WeatherNext Cyclones (WN-C). System działa na żywo od czerwca 2025 roku w ramach platformy Weather Lab. Już podczas huraganu Melissa, który uderzył w Jamajkę, narzędzie pomogło przewidzieć gwałtowną intensyfikację sztormu – zjawisko, w którym prędkość wiatru wzrasta o co najmniej 30 węzłów (około 55 km/h) w ciągu doby.

Jak AI rozwiązuje odwieczny kompromis w meteorologii

Prognozowanie cyklonów od lat boryka się z fundamentalnym problemem. Globalne modele, takie jak system ensemble ECMWF (ENS), świetnie radzą sobie z wyznaczaniem toru przemieszczania się sztormu, ale zawodzą przy określaniu jego siły. Z kolei wyspecjalizowane modele regionalne, jak NOAA Hurricane Analysis and Forecast System (HAFS), precyzyjniej szacują intensywność, tracąc jednak dokładność w przewidywaniu trasy.

WN-C eliminuje ten dylemat. Według badań opublikowanych w czasopiśmie „Nature”, model obsługuje oba aspekty w jednym systemie. Wyniki mówią same za siebie:

przy prognozie pięciodniowej średnie odchylenie pozycji centrum sztormu wynosi 230 kilometrów, podczas gdy ENS myli się o 370 km, a poprzedni model DeepMind – GenCast – o 335 km;
w trzydniowych prognozach intensywności WN-C jest dokładniejszy od HAFS o 3,75 węzła (ok. 7 km/h);
w probabilistycznych prognozach siły sztormu model wypada ponad dwukrotnie lepiej niż ENS i GenCast, szczególnie przy prognozowaniu wiatrów o sile 64 węzłów, czyli progu huraganu.

Co istotne, WN-C dostarcza decydentom bardziej praktycznych informacji niż tradycyjne systemy, co ma kluczowe znaczenie przy podejmowaniu decyzji o ewakuacji.

Gruba siatka danych zaskakuje skutecznością

Może się wydawać, że precyzyjna prognoza wymaga niezwykle gęstej siatki pomiarowej. Tymczasem WN-C pracuje na danych, gdzie każdy punkt pokrywa obszar około 28 kilometrów – to mniej więcej sto razy mniej szczegółowo niż w wyspecjalizowanych modelach regionalnych. Nawet kompaktowy wariant z siatką o boku 111 kilometrów daje konkurencyjne wyniki.

„Wysoka rozdzielczość nie jest niezbędnym warunkiem prognozowania intensywności na światowym poziomie” – piszą autorzy badania. Okazuje się, że gruboziarniste dane atmosferyczne zawierają więcej informacji o sile sztormu, niż dotychczas sądzono. To, w jaki sposób modele osiągają taką dokładność przy tej rozdzielczości, pozostaje otwartym pytaniem badawczym.

Nowa architektura zamiast dyfuzji

WN-C wykorzystuje Functional Generative Networks (FGN) – podejście odmienne od dyfuzji stosowanej w GenCast, znanej głównie z generatorów obrazów AI. Dyfuzja wymaga kilkudziesięciu przejść przez sieć neuronową dla każdego kroku prognozy. FGN radzi sobie z tym w jednym przejściu, co czyni system osiem razy szybszym.

Kluczowa różnica dotyczy sposobu modelowania niepewności. Zamiast dodawać szum do poszczególnych pikseli, system wstrzykuje go do warstw sterujących sieci. Dzięki temu generuje różne, ale fizycznie spójne scenariusze, a nie tylko zaszumione warianty tego samego wyniku.

Przełomowe okazało się też trenowanie na dwóch różnych źródłach danych. Zespół wykorzystał prawie 20 terabajtów globalnych danych atmosferycznych z analiz ECMWF oraz bazę około 5 tysięcy historycznych cyklonów. Dane tabelaryczne o sztormach (pozycja, intensywność, zasięg) rzutowano na tę samą siatkę geograficzną co dane pogodowe, co pozwoliło sieci przewidywać tor, siłę i promienie wiatrów bezpośrednio. Badania ablacyjne potwierdzają, że to właśnie wspólne trenowanie odpowiada za poprawę wyników.

Tysiąc scenariuszy dla jednego sztormu

Piętnastodniowa prognoza zajmuje mniej niż minutę na jednym układzie AI Google. To pozwoliło zespołowi zwiększyć liczbę równoległych przebiegów z 50 do 1000. Tak duże ensemble (zbiory prognoz) pomagają lepiej wychwytywać rzadkie, ekstremalne zdarzenia. Wskaźnik Critical Success Index, który waży poprawne ostrzeżenia względem fałszywych alarmów i przeoczonych zdarzeń, skacze z poniżej 0,3 do 0,5.

W praktyce przekłada się to na dodatkową dobę ostrzegania. Linia błędu WN-C osiąga poziom błędów ENS, GenCast i HAFS około jednego dnia później w każdym przypadku, co oznacza, że meteorolodzy mają więcej czasu na reakcję.

Uzupełnienie, nie zamiennik tradycyjnych modeli

DeepMind podkreśla, że klasyczne modele numeryczne wciąż odgrywają istotną rolę. NHC zwykle łączy wyniki kilku modeli fizycznych w ważoną średnią dla oficjalnych prognoz – osobno dla toru (TVCN) i intensywności (IVCN). W symulowanym dodaniu WN-C do tych systemów konsensusowych, model poprawia prognozy toru średnio o 28 procent, a intensywności o około 6 procent.

Mniejsza poprawa w przewidywaniu siły wiatru pokazuje, że tradycyjne modele wciąż wnoszą duży wkład w tej dziedzinie. Błędy pozycji ENS i intensywności HWRF powoli spadały od 2005 roku. Tymczasem dane z 2023 roku pokazują, że WN-C zyskuje w jednym kroku tyle, ile tradycyjne modele osiągały przez około dekadę.

Otwarte podejście i kontekst rynkowy

DeepMind udostępnił kod i wagi modeli WeatherNext 2 oraz WeatherNext Cyclones na GitHubie. Wariant mini działa na pojedynczym układzie TPU w darmowym notatniku Colab. Autorzy zastrzegają jednak, że do oficjalnych ostrzeżeń należy korzystać z krajowych służb meteorologicznych. WN-C ma wspierać prognostyków, a nie ich zastępować.

To efekt kilku lat pracy. W 2024 roku DeepMind wypuścił GenCast – pierwszy probabilistyczny model pogodowy, który pokonał ensemble ECMWF. W czerwcu 2025 roku uruchomiono Weather Lab, platformę do prognozowania cyklonów, której eksperymentalny model stał się właśnie WeatherNext Cyclones. Współpraca z NHC i CIRA trwała już wtedy od jakiegoś czasu.

Historia Google z prognozowaniem nie zawsze była jednak udana. System Android Earthquake Alerts poważnie zaniżył siłę trzęsień ziemi w Turcji w 2023 roku, oceniając wstrząsy o magnitudzie 7,8 na zaledwie 4,5-4,9 i wysyłając tylko 469 krytycznych ostrzeżeń, gdy powinny były trafić do milionów użytkowników. Sam DeepMind przechodzi też okres zmian – CEO Demis Hassabis odsunął się od codziennych obowiązków, by zostać głównym naukowcem Alphabet, a główny badacz Jeff Dean po 27 latach odszedł, by współtworzyć startup Discovery Loop.

WeatherNext Cyclones pokazuje, że sztuczna inteligencja może znacząco zwiększyć bezpieczeństwo w regionach zagrożonych huraganami. Połączenie szybkości, otwartości i skuteczności sprawia, że model ten może stać się standardowym narzędziem wspierającym pracę meteorologów na całym świecie.