WeatherNext 3 учится предсказывать погоду напрямую по спутниковым снимкам

За несколько дней до выхода урагана «Мелисса» на Ямайку модель Google DeepMind показывала, что ещё не набравший силу атмосферный вихрь может превратиться в ураган пятой категории. Вероятность менялась после новых прогнозов, выпускавшихся каждые шесть часов, и приблизилась к 80%. Эти расчёты стали одним из источников, на которые опирался Национальный центр по ураганам США, прежде чем выпустить предупреждение и дать местным службам время на эвакуацию и подготовку.

В выпуске подкаста Google DeepMind старший директор по исследованиям Питер Батталья рассказал Ханне Фрай, как машинное обучение меняет прогнозирование погоды. По его словам, при экспериментальных оценках системы для тропических циклонов в ряде случаев давали примерно один дополнительный день точного прогноза: качество, доступное традиционному методу на горизонте двух дней, сохранялось у модели на горизонте трёх.

Классический прогноз строится на численном решении уравнений движения жидкости. Суперкомпьютер получает оценку текущего состояния атмосферы, рассчитывает следующий временной шаг, а затем использует результат для нового расчёта. Метод десятилетиями совершенствовался, но ему приходится приближённо описывать огромную систему, чувствительную к мельчайшим изменениям.

AI-модели идут другим путём: изучают архивы погоды и находят статистические связи между прошлыми и будущими состояниями атмосферы. GraphCast моделировал погоду по всей планете на срок до десяти дней, а GenCast научился выдавать не один усреднённый результат, а набор вероятных сценариев. Если сценарии сходятся, прогноз получает высокую уверенность; если расходятся, система показывает реальную неопределённость — особенно важную при редких и опасных явлениях.

WeatherNext 3 расширяет этот подход. Модель принимает не только подготовленную метеорологическими службами оценку состояния атмосферы, но и необработанные спутниковые изображения. На выходе она также прогнозирует измерения, сопоставимые с данными качественных наземных станций, включая аэропорты. Вместо прогноза раз в шесть часов система способна обновлять его каждый час и описывать изменения внутри шестичасового окна.

Более частые и детальные расчёты нужны не только для предупреждений об ураганах. Скорость ветра и солнечность влияют на производство возобновляемой энергии, а температура и влажность — на спрос электросети. Те же прогнозы могут помогать сельскому хозяйству оценивать осадки и выбирать сроки работ. Следующим шагом Батталья называет переход от описания самой погоды к оценке её последствий — например, не просто силы ветра, а возможного ущерба линиям электропередачи.

Google DeepMind не отказывается от физики: данные, на которых учатся модели, созданы физическими процессами. Меняется способ их приближения — вместо последовательного решения уравнений система извлекает закономерности из десятилетий наблюдений. Точность при этом нельзя свести к одному рейтингу: результат зависит от переменной, региона и горизонта прогноза, поэтому каждую модель необходимо оценивать для конкретной задачи.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.