DeepMind otwiera dane pogodowe stojące za WeatherNext 3: mozaikę satelitarną SatWeave i opady PARDIG

Google DeepMind opublikował 13 listopada 2026 roku dwa zbiory danych, które napędzają jego model prognoz pogody WeatherNext 3. SatWeave to globalna mozaika obrazów z satelitów geostacjonarnych, a PARDIG to mapy opadów w rozdzielczości 15 minut.

Dwa zbiory danych

SatWeave łączy obrazy z kilku satelitów geostacjonarnych: GOES-East, GOES-West, Meteosat 0, Meteosat Indian Ocean i Himawari. Źródłowe skany mają różne harmonogramy, od 10 do 30 minut, a także odmienne projekcje, formaty i czujniki, więc DeepMind scalił je w jedną globalną mozaikę. Wpis na blogu DeepMind jest w tej kwestii niespójny: podpis przy wideo mówi o sześciu satelitach, a tekst wymienia pięć.

Według DeepMind istniejące globalne kompozyty mają zwykle cztery lub mniej kanałów albo odświeżają się co kilka godzin. SatWeave ma 17 kanałów i odświeża się co godzinę. Dostępny jest zarówno strumień na żywo, jak i archiwum historyczne.

PARDIG, czyli Precipitation AI Reanalysis: Densely Inferred GPM, korzysta z architektury AI zbliżonej do WeatherNext 3. Model uczono na rzadkich obserwacjach z radaru kosmicznego NASA GPM Core Observatory, a na wejściu dostaje obrazy SatWeave i pola atmosferyczne z ECMWF. Wynikiem są globalne estymaty opadów co 15 minut przy rozdzielczości około 10 km.

Co to daje WeatherNext 3

Godzinne odświeżanie SatWeave pozwala WeatherNext 3 częściej zaczynać nowe globalne prognozy. Modele opierające się na danych analitycznych aktualizowanych co sześć godzin takiej możliwości nie mają.

DeepMind podaje, że udostępnia te dane, aby pomóc badaczom i deweloperom w budowaniu aplikacji pogodowych, hydrologicznych i klimatycznych. Firma wskazuje też inne zastosowania: prognozowanie produkcji energii słonecznej i monitorowanie pożarów dla SatWeave oraz modele powodzi, osuwisk i suszy dla PARDIG, zwłaszcza tam, gdzie brakuje gęstej sieci radarów naziemnych.

Wyniki i zastrzeżenia

PARDIG porównano z sieciami radarowymi w USA, Europie i Japonii (okres 2016-2023) oraz z ponad 36 tys. stacji pogodowych na świecie. Według DeepMind model wypada lepiej od wiodących globalnych punktów odniesienia przy wszystkich analizowanych natężeniach deszczu, w tym od IMERG-Final. Jako przykład pokazano powódź błyskawiczną w Teksasie w lipcu 2025 roku, porównaną z radarem NOAA MRMS.

Są zastrzeżenia. Rozdzielczość około 10 km jest grubsza niż radarów naziemnych (około 1 km), a opóźnienie około pięciu godzin to wartość średnia. Wiarygodność w regionach bez pomiarów naziemnych jest po stronie DeepMind oczekiwaniem, a nie wykazanym wynikiem. Wpis nie podaje też warunków licencji na dane.

Dla kogo to jest

Zbiory są kierowane do zespołów badawczych i deweloperów budujących aplikacje pogodowe, hydrologiczne i klimatyczne. Wpis DeepMind odsyła do dokumentacji dla deweloperów WeatherNext oraz do pracy naukowej opisującej PARDIG. Dla polskich zespołów zajmujących się prognozami opadów czy energetyką słoneczną to dodatkowe źródło danych do przetestowania, choć przed użyciem komercyjnym trzeba sprawdzić warunki licencji.