Google выпустила WeatherNext 3: ИИ-модель прогноза погоды начала использовать спутниковые данные

Google выпустила третью версию своей ИИ-модели прогноза погоды WeatherNext. Как сообщает Ars Technica, главное изменение в WeatherNext 3 — модель начала напрямую использовать часть спутниковых метеоданных. Это сокращает задержку между текущими погодными условиями и выпуском нового прогноза, а частота обновления выросла до одного раза в час. Подробности обновления изложены в white paper.

Что изменилось по сравнению с предыдущей версией

Google — один из основных игроков на рынке ИИ-моделей прогноза погоды. Их ключевое преимущество в том, что они показывают качество прогноза, сопоставимое с традиционными моделями, но требуют значительно меньше вычислительных ресурсов. Это позволяет запускать их чаще.

До сих пор почти все ИИ-модели погоды опирались исключительно на так называемый реанализ — собственный тип модели, который собирает разнородные метеоданные в единый согласованный глобальный снимок атмосферы. Такой подход требует оценок для точек, где нет реальных измерений, поскольку прогнозным моделям нужна глобальная картина. У него есть компромиссы: исходные данные могут содержать информацию, которая теряется при смешивании в реанализе, а глобальные снимки обычно формируются лишь раз в шесть часов.

Традиционные прогнозные модели часто дополнительно принимают сырые данные, чтобы как можно точнее описать текущее состояние атмосферы и затем физически смоделировать его развитие. WeatherNext 3 теперь делает часть этого: добавляет спутниковые метеоданные и за счёт этого повышает частоту прогнозов до ежечасной.

Другие технические изменения

• Пространственное разрешение модели увеличено.
• Сама модель машинного обучения стала крупнее; чтобы ограничить рост вычислительных затрат, в процессы внесли изменения.
• Добавлена отдельная модель машинного обучения, обученная на спутниковых оценках осадков, — в результате доступно несколько прогнозов осадков.

В отличие от традиционных моделей, которые симулируют физические процессы исходя из свойств конкретной точки, модели машинного обучения во многом остаются «чёрными ящиками»: они обучаются на прошлых закономерностях и выдают предсказания будущих. Но WeatherNext 3 добавляет немного физической информации для расчёта температуры поверхности и точки росы в произвольной точке. Модель проверяет, суша это или океан, и использует высоту поверхности. По словам команды, обучение на прошлых данных метеостанций с такой разметкой даёт более точные прогнозы.

Результаты и странности

В white paper приведены результаты, документирующие улучшение качества прогноза по сравнению с WeatherNext 2 и ИИ-моделью Европейского центра среднесрочных прогнозов погоды (ECMWF).

Отмечается улучшение точности условий в верхних слоях атмосферы примерно на 5% по сравнению с предыдущей моделью — по утверждению авторов, это эквивалентно примерно шести дополнительным часам точного прогноза. Изменение расчёта температуры поверхности для конкретной точки повысило точность до 30%. По этим метрикам модель в целом обходит и модель ECMWF.

Есть и одно любопытное исключение, причину которого авторы в статье даже не предполагают. По ряду переменных сравнение с первым шестичасовым прогнозом других моделей показывает, что WeatherNext 3 выступает хуже, а затем вырывается вперёд на остальном протяжении 15-дневного прогноза.

Крупномасштабные закономерности тоже не лишены странностей. В некоторых прогнозах видна форма сетки модели — например, на карте осадков заметны отчётливо шестиугольные пятна. Метод генерации множества прогнозов температуры поверхности для отображения диапазона возможных исходов также склонен выдавать снимки, где средняя глобальная температура выше или ниже. Обычно хотелось бы, чтобы средняя оставалась согласованной, а локальная изменчивость усреднялась по всему земному шару.

В целом команда заявляет, что новая модель «представляет собой крупный шаг вперёд для ИИ-прогнозов погоды, выходя за рамки чистой опоры на анализ и используя насыщенные информацией данные наблюдений с низкой задержкой».

WeatherNext 3 теперь служит источником прогнозной информации в сервисах Google, включая Поиск, Gemini и Карты.

Что это значит

Обновление показывает, что ИИ-модели погоды постепенно перенимают практику традиционных: они начинают работать не только с готовым реанализом, но и с сырыми наблюдениями, включая спутниковые. Это позволяет чаще обновлять прогноз и сокращать разрыв между наблюдением и предсказанием. При этом авторы сами фиксируют аномалии — от проигрыша на первых шести часах до артефактов в виде шестиугольных структур и несогласованной глобальной средней температуры. То, что модель уже используется в Поиске, Gemini и Картах, означает, что её особенности напрямую влияют на прогнозы, которые видит массовый пользователь.