Google porzuca fizykę na rzecz uczenia z satelitów

Zespół Google Research i DeepMind zaprezentował WeatherNext 3 – model sztucznej inteligencji, który zrywa z dotychczasowym paradygmatem prognozowania pogody. Zamiast polegać na skomplikowanych symulacjach fizycznych, nowy system uczy się przewidywać atmosferę bezpośrednio z danych płynących z satelitów geostacjonarnych. To fundamentalna zmiana, która skraca czas aktualizacji prognoz z sześciu godzin do zaledwie jednej.

Poprzednie generacje modeli, w tym WeatherNext 2, trenowano na danych z numerycznych prognoz pogody (NWP). Te symulacje działają na superkomputerach i – jak tłumaczą przedstawiciele Google – niosą ze sobą opóźnienie rzędu sześciu godzin. W przypadku szybko zmieniających się zjawisk, takich jak opady czy temperatura, ten poślizg wprowadza znaczące błędy. WeatherNext 3 eliminuje ten problem, przetwarzając dane na żywo i generując świeżą prognozę co godzinę.

Pięciokrotnie większa rozdzielczość niż w poprzedniku

Nowy model pracuje w kilku rozdzielczościach jednocześnie. Temperatura i wilgotność są obliczane z dokładnością do pięciu kilometrów, inne zmienne powierzchniowe – do dziesięciu, a parametry atmosferyczne, jak prędkość wiatru – do 25 kilometrów. To około pięć razy więcej szczegółów niż w WeatherNext 2, który korzystał z siatki 25-kilometrowej w interwałach sześciogodzinnych.

Różnicę najlepiej widać na przykładzie prognozy temperatury dla Wielkiej Brytanii. WeatherNext 2 generuje rozmyty, pikselowany obraz, podczas gdy WeatherNext 3 oddaje lokalne ukształtowanie terenu. Model potrafi wychwycić pasma górskie i linie brzegowe, które w poprzedniej wersji rozpływały się w blokowe kształty.

Trening na danych ze stacji pogodowych

Kluczem do takiej precyzji jest trening na indywidualnych danych ze stacji meteorologicznych. Dzięki temu model odwzorowuje linie brzegowe, doliny i góry, co przekłada się na dokładniejsze prognozy globalne uwzględniające warunki regionalne. Największe korzyści mają odnieść regiony Ameryki Łacińskiej, Afryki oraz Azji i Pacyfiku – obszary, które z powodu wysokich kosztów obliczeniowych tradycyjnych modeli regionalnych były dotąd słabo obsłużone.

Lepsze prognozy opadów i dane dla energetyki odnawialnej

Globalne modele pogodowe od dawna borykają się z przewidywaniem opadów. Deszcz i śnieg zależą od szybkich procesów zachodzących w chmurach na małą skalę, co stanowi ogromne wyzwanie obliczeniowe. Google rozwiązał ten problem, trenując model na dwóch źródłach danych: satelitarnym zestawie IMERG należącym do NASA oraz własnej globalnej analizie opadów opartej na radarach satelitarnych.

Model przetwarza dane z satelitów geostacjonarnych oraz tradycyjne dane analityczne, a następnie generuje gęste pola siatkowe dla atmosfery i opadów, a także prognozy punktowe dla stacji pogodowych i ścieżek cyklonów. W średnioterminowych prognozach globalnych wyniki są imponujące – wskaźnik CRPS (Continuous Ranked Probability Score) poprawił się o 60 procent względem IMERG, 30 procent względem MRMS i 10 procent względem deszczomierzy przy krótkich horyzontach czasowych.

Wsparcie dla farm wiatrowych i instalacji solarnych

WeatherNext 3 przewiduje również prędkość wiatru na wysokości 100 metrów, czyli mniej więcej na poziomie łopat turbin wiatrowych. To pozwala szacować wydajność farm wiatrowych. Dokładniejsze dane o zachmurzeniu i nasłonecznieniu umożliwiają z kolei instalacjom fotowoltaicznym obliczanie spodziewanej generacji energii. Według Google, te informacje pomogą operatorom sieci energetycznych w balansowaniu podaży i popytu.

Integracja z ekosystemem Google

Dane z WeatherNext 3 są aktualizowane co godzinę. Naukowcy, deweloperzy i firmy mogą odpytywać model przez BigQuery i Earth Engine lub pobierać dane zbiorczo z Google Cloud Storage. Nowy model zasila już funkcje pogodowe w wyszukiwarce Google, aplikacji Gemini, Google Maps oraz interfejsach Google Maps Platform Weather API i Google Earth Engine.

Użytkownicy planujący dzień lub więcej naprzód powinni zauważyć nawet 50-procentową poprawę dokładności prognoz opadów. Największe zyski odczują regiony, w których przewidywania były dotąd najmniej niezawodne. Przedstawiciele Google uczciwie przyznają jednak, że atmosfera zawsze będzie w pewnym stopniu nieprzewidywalna. Do oficjalnych prognoz, ostrzeżeń przed gwałtownymi zjawiskami i zaleceń bezpieczeństwa firma kieruje użytkowników do krajowych serwisów meteorologicznych.

WeatherNext 3 to kolejny krok w ewolucji modeli pogodowych DeepMind. Jego poprzednik, WeatherNext 2, zadebiutował w listopadzie 2025 roku i pokonał pierwszą generację na 99,9 procentach wszystkich zmiennych meteorologicznych, działając osiem razy szybciej – przetwarzał setki scenariuszy pogodowych w mniej niż minutę na pojedynczym układzie TPU. W sierpniu 2026 roku DeepMind udostępnił WeatherNext 2 oraz model WeatherNext Cyclones na otwartej licencji. Ten drugi przewiduje ścieżki i intensywność cyklonów tropikalnych w jednym systemie, patrząc około dzień dalej niż wiodące modele operacyjne, mimo korzystania z siatki około sto razy rzadszej. Pod koniec 2024 roku DeepMind wypuścił z kolei GenCast – pierwszy probabilistyczny model pogodowy AI, który pokonał system ensemble Europejskiego Centrum Prognoz Średnioterminowych (ECMWF).

Nowe podejście Google pokazuje, że era prognozowania pogody opartego wyłącznie na fizyce obliczeniowej powoli dobiega końca. Modele uczące się bezpośrednio z obserwacji satelitarnych nie tylko dorównują tradycyjnym metodom, ale w wielu aspektach je przewyższają – oferując większą szczegółowość, częstsze aktualizacje i lepsze odwzorowanie lokalnych warunków. Pozostaje pytanie, jak daleko ta rewolucja sięgnie i czy wkrótce zobaczymy kolejne modele rezygnujące z symulacji fizycznych na rzecz czystego uczenia z danych.