WeatherNext: ще один день до приходу шторму 

Тропічні циклони – одні з найнебезпечніших погодних явищ на Землі. Для синоптиків кожна додаткова година попередження може дати цінний час для евакуації населення, підготовки служб екстреної допомоги та захисту інфраструктури. Модель штучного інтелекту WeatherNext Cyclones від компанії Google DeepMind досягла значного прогресу в цій гонці з часом.

Google DeepMind і Google Research спільно з Національним центром ураганів США (NHC), Метеорологічною службою Великої Британії та Кооперативним інститутом досліджень атмосфери (CIRA) повідомляють, що WeatherNext демонструє вражаючу точність у одночасному прогнозуванні траєкторії, інтенсивності та структури вітру циклону. У середньому триденні прогнози моделі за точністю відповідають тому рівню, якого попередні системи могли досягати лише за два дні до події, забезпечуючи більш ніж додаткову добу корисного часу для прогнозування. Команда DeepMind описує це покращення як прогрес, приблизно еквівалентний десятиліттю розвитку традиційної метеорології.

Прогнозування циклонів історично пов’язане зі складним компромісом. На траєкторію шторму значною мірою впливає великомасштабна циркуляція в атмосфері, тоді як його інтенсивність залежить від процесів набагато меншого масштабу, які відбуваються навколо ядра шторму. Зазвичай ці фактори моделюються за допомогою окремих глобальних моделей та моделей з високою роздільною здатністю. WeatherNext Cyclones об’єднує їх в єдину архітектуру штучного інтелекту. Модель було навчено на майже 20 терабайтах атмосферних даних та базі даних IBTrACS, яка містить майже 5 000 історичних записів про тропічні циклони.

WeatherNext використовує Functional Generative Networks (FGNs) для створення ймовірнісних ансамблів, а не одного прогнозу. Остання версія системи може генерувати 1 000 можливих сценаріїв для кожного циклону, допомагаючи метеорологам виявляти рідкісні, але потенційно руйнівні сценарії, такі як швидке посилення шторму або несподівана зміна його траєкторії. Повний 15-денний прогноз можна згенерувати менш ніж за хвилину на TPU.

Одним із найбільш неочікуваних результатів дослідження є те, наскільки низька просторова роздільна здатність потрібна цій моделі. WeatherNext Cyclones працює з вхідними даними з роздільною здатністю десь 28 × 28 км, що приблизно у 100 разів нижче, ніж у деяких традиційних моделей, орієнтованих на прогнозування інтенсивності. Проте вона все одно дає точні прогнози щодо інтенсивності циклонів та структури вітру. Менша модель WeatherNext 2-mini працює з роздільною здатністю 111 × 111 км. У DeepMind зазначають, що дослідники ще до кінця не розуміють, чому моделі залишаються ефективними при використанні таких грубих вхідних даних, тож це питання залишається відкритим для подальших досліджень.

WeatherNext – це не просто експеримент із тестуванням продуктивності моделі. Під час сезону атлантичних ураганів 2025 року Національний центр ураганів використовував цю модель у оперативному режимі. За даними DeepMind, WeatherNext допомогла передбачити стрімке посилення урагану “Мелісса” та його вихід на сушу на Ямайці, забезпечивши додатковий час для підготовки.

Компанія Google DeepMind випустила WeatherNext Cyclones, WeatherNext 2 і WeatherNext 2-mini під ліцензією Apache 2.0 на GitHub, включно з кодом і вагами моделей, зробивши технологію доступною для дослідників та організацій, зацікавлених у розробці спеціалізованих систем прогнозування. Компактна модель WeatherNext 2-mini може працювати на одному TPU через загальнодоступний Google Colab. Компанія також розширила Weather Lab – свою публічну платформу для дослідження експериментальних прогнозів погоди на основі штучного інтелекту, додавши до прогнозів циклонів такі змінні, як температура, опади та швидкість вітру.

WeatherNext є частиною ширшої трансформації в галузі наук про Землю на основі ШІ. У статті Nature Communications “Bridging the weather and climate divide with artificial intelligence” йдеться про те, що ШІ починає поєднувати короткострокове прогнозування погоди з довгостроковими кліматичними дослідженнями – двома галузями, які історично розвивалися ізольовано одна від одної. У статті розглядається ширший спектр підходів, які сприяють цьому зближенню, зокрема ймовірнісне прогнозування, генеративні моделі, імітація клімату та гібридні фізичні ШІ системи, а WeatherNext 2 наводиться як приклад функціональних генеративних мереж, які забезпечують швидше отримання прогнозів із результатами, які відповідають або перевершують традиційні ансамблеві методи.

Водночас автори цієї статті не обмежуються позитивною оцінкою технології. Вони також називають Google Weather Lab прикладом того, як сфокусований ШІ-застосунок для конкретного завдання може забезпечувати реальні операційні переваги, але застерігають, що такі системи мають і певні недоліки. Серед них: потенційне перенавчання під конкретні завдання та залежність від власних даних і інфраструктури однієї компанії. Ця суперечність між швидкими досягненнями добре забезпечених приватних лабораторій та прагненням галузі до відкритих, відтворюваних інструментів пронизує загальний заклик статті до більш відкритого обміну наборами даних, тестовими датасетами та компонентами моделей у спільноті дослідників погоди та клімату.