WeatherNext: еще один день до прихода шторма

Тропические циклоны – одни из самых опасных погодных явлений на Земле. Для синоптиков каждый дополнительный час предупреждения может дать ценное время для эвакуации населения, подготовки экстренных служб и защиты инфраструктуры. Модель искусственного интеллекта WeatherNext Cyclones от компании Google DeepMind достигла значительного прогресса в этой гонке со временем.

Google DeepMind и Google Research совместно с Национальным центром ураганов США (NHC), Метеорологической службой Великобритании и Кооперативным институтом исследований атмосферы (CIRA) сообщают, что WeatherNext демонстрирует впечатляющую точность при одновременном прогнозировании траектории, интенсивности и структуры ветра циклона. В среднем трехдневные прогнозы модели по точности соответствуют уровню, которого предыдущие системы могли достигать лишь за два дня до события, обеспечивая более чем дополнительные сутки полезного времени для прогнозирования. Команда DeepMind описывает это улучшение как прогресс, примерно эквивалентный десятилетию развития традиционной метеорологии.

Прогнозирование циклонов исторически связано со сложным компромиссом. На траекторию шторма в значительной степени влияет крупномасштабная циркуляция атмосферы, тогда как его интенсивность зависит от процессов гораздо меньшего масштаба, происходящих вокруг ядра шторма. Обычно эти факторы моделируются с помощью отдельных глобальных моделей и моделей с высоким разрешением. WeatherNext Cyclones объединяет их в единой архитектуре искусственного интеллекта. Модель была обучена на почти 20 терабайтах атмосферных данных и базе данных IBTrACS, содержащей почти 5 000 исторических записей о тропических циклонах.

WeatherNext использует Functional Generative Networks (FGNs) для создания вероятностных ансамблей, а не одного прогноза. Последняя версия системы может генерировать 1 000 возможных сценариев для каждого циклона, помогая метеорологам выявлять редкие, но потенциально разрушительные сценарии, такие как быстрое усиление шторма или неожиданное изменение его траектории. Полный 15-дневный прогноз можно сгенерировать менее чем за минуту на TPU.

Одним из наиболее неожиданных результатов исследования стало то, насколько низкое пространственное разрешение требуется этой модели. WeatherNext Cyclones работает с входными данными с разрешением где-то 28 × 28 км, что примерно в 100 раз ниже, чем у некоторых традиционных моделей, ориентированных на прогнозирование интенсивности. При этом она по-прежнему обеспечивает точные прогнозы интенсивности циклонов и структуры ветра. Меньшая модель WeatherNext 2-mini работает с разрешением 111 × 111 км. В DeepMind отмечают, что исследователи пока не до конца понимают, почему модели остаются эффективными при использовании таких грубых входных данных, поэтому этот вопрос остается открытым для дальнейших исследований.

WeatherNext – это не просто эксперимент по тестированию производительности модели. Во время сезона атлантических ураганов 2025 года Национальный центр ураганов использовал эту модель в оперативном режиме. По данным DeepMind, WeatherNext помогла предсказать стремительное усиление урагана “Мелисса” и его выход на сушу на Ямайке, обеспечив дополнительное время для подготовки.

Компания Google DeepMind выпустила WeatherNext Cyclones, WeatherNext 2 и WeatherNext 2-mini под лицензией Apache 2.0 на GitHub, включая код и веса моделей, сделав технологию доступной для исследователей и организаций, заинтересованных в разработке специализированных систем прогнозирования. Компактная модель WeatherNext 2-mini может работать на одном TPU через общедоступный Google Colab. Компания также расширила Weather Lab – свою публичную платформу для исследования экспериментальных прогнозов погоды на основе искусственного интеллекта, добавив к прогнозам циклонов такие переменные, как температура, осадки и скорость ветра.

WeatherNext является частью более широкой трансформации в области наук о Земле на основе ИИ. В статье Nature Communications “Bridging the weather and climate divide with artificial intelligence” говорится, что ИИ начинает объединять краткосрочное прогнозирование погоды с долгосрочными климатическими исследованиями – двумя областями, которые исторически развивались изолированно друг от друга. В статье рассматривается широкий спектр подходов, способствующих этому сближению, включая вероятностное прогнозирование, генеративные модели, моделирование климата и гибридные физические ИИ системы. WeatherNext 2 приводится в качестве примера функциональных генеративных сетей, обеспечивающих более быстрое получение прогнозов с результатами, соответствующими или превосходящими традиционные ансамблевые методы.

В то же время авторы этой статьи не ограничиваются положительной оценкой технологии. Они также называют Google Weather Lab примером того, как специализированное ИИ-приложение для конкретной задачи может обеспечивать реальные операционные преимущества, но предупреждают, что такие системы сопряжены и с определенными недочетами. Среди них: потенциальное переобучение под конкретные задачи и зависимость от собственных данных и инфраструктуры одной компании. Это противоречие между быстрыми достижениями хорошо обеспеченных частных лабораторий и стремлением отрасли к открытым, воспроизводимым инструментам проходит через общий призыв статьи к более открытому обмену наборами данных, тестовыми датасетами и компонентами моделей в сообществе исследователей погоды и климата.