Google DeepMind uruchamia WeatherNext 3 z godzinowymi prognozami co 5 kilometrów

Google DeepMind i Google Research ogłosiły 3 września 2026 roku premierę WeatherNext 3, nowej generacji modelu sztucznej inteligencji do prognozowania pogody. Model przewiduje warunki co godzinę zamiast dotychczasowych sześciogodzinnych interwałów, a kluczowe zmienne powierzchniowe, temperaturę i wilgotność, podaje z rozdzielczością do 5 kilometrów.

Co konkretnie się zmieniło

Najważniejsza różnica względem poprzednika to sposób trenowania. WeatherNext 3 jako pierwszy globalny model AI do prognozowania pogody uczy się bezpośrednio na surowych obserwacjach satelitarnych, zamiast opierać się wyłącznie na danych już przetworzonych przez klasyczne modele numerycznej predykcji pogody. Model wchłania godzinowe mozaiki z satelitów geostacjonarnych w 11 kanałach przy rozdzielczości 0,1 stopnia, a do tego dane ze stacji naziemnych sieci METAR i Mesonet oraz pomiary statków i boi z bazy ICOADS sięgające 2001 roku.

Do tego dochodzą dane opadowe z satelitarnego systemu IMERG należącego do NASA oraz z autorskiego zbioru PARDIG. Połączenie tych źródeł ma dawać modelowi znacznie gęstszy obraz atmosfery niż wcześniejsze wersje, które opierały się głównie na już przetworzonych danych meteorologicznych.

Wyniki na tle konkurencji

Według Google DeepMind WeatherNext 3 wypadł najlepiej w benchmarku Operational WeatherBench, wyprzedzając zarówno konkurencyjne modele AI od Microsoftu i Nvidii, jak i tradycyjne prognozy krajowych służb meteorologicznych, w tym amerykańskiej National Weather Service oraz europejskiego ECMWF. W pierwszym tygodniu prognozy model notuje średnio 10-procentową poprawę względem systemu AIFS ENS v2 stosowanego przez ECMWF dla zmiennych na wyższych poziomach atmosfery.

Największą poprawę widać w prognozach opadów, gdzie miara błędu CRPS spadła nawet o 60 procent względem satelitarnego zbioru IMERG i o 30 procent względem radarowego produktu MRMS. Dla temperatury przy powierzchni ziemi poprawa względem WeatherNext 2 sięga około 30 procent. Google przyznaje jednak, że model ma też słabości, w tym artefakty przestrzenne w kształcie sześciokątów wynikające ze struktury siatki obliczeniowej oraz nieciągłości w prognozach na granicach sześciogodzinnych okien.

Zastosowania dla energetyki i rolnictwa

Nowy model przewiduje prędkość wiatru na wysokości 100 metrów, czyli na poziomie typowych turbin wiatrowych, a także zachmurzenie i promieniowanie słoneczne potrzebne do szacowania produkcji energii odnawialnej. Google wskazuje, że dokładniejsze, godzinowe prognozy mają pomóc operatorom sieci energetycznych i rynków mocy lepiej planować bilansowanie produkcji z farm wiatrowych i fotowoltaicznych, gdzie nawet niewielkie błędy prognozy przekładają się na koszty rezerwowania mocy.

Drugim wskazywanym obszarem jest rolnictwo, zwłaszcza w regionach rozwijających się, gdzie dokładniejsze prognozy opadów i temperatury mogą pomóc w planowaniu nawadniania i ochrony upraw przed ekstremalnymi zjawiskami.

Gdzie trafi model

WeatherNext 3 od razu integruje się z produktami konsumenckimi Google, czyli Wyszukiwarką, aplikacją Gemini i Mapami Google, a także z Maps Platform Weather API i Google Earth Engine dla deweloperów i badaczy. Google zapowiada, że kluczowe zmienne z modelu będą po raz pierwszy bezpośrednio zasilać funkcje pogodowe w wielu produktach firmy jednocześnie, a nie tylko w wybranych aplikacjach eksperymentalnych.

To będzie pierwszy raz, kiedy niektóre z kluczowych zmiennych zasilają i napędzają wiele produktów Google naraz - Samier Merchant, starszy inżynier w Google

Model jest już dostępny operacyjnie, zgodnie z opublikowanym wraz z premierą dokumentem technicznym opisującym architekturę i wyniki testów porównawczych.

Dla polskich użytkowników oznacza to w praktyce dokładniejsze prognozy godzinowe w Mapach i Wyszukiwarce Google, choć Google nie podało, kiedy pełna rozdzielczość 5 kilometrów obejmie Europę Środkową w takim samym stopniu jak testowane regiony. Rozwój modeli pogodowych opartych na AI ma też znaczenie dla polskiej energetyki, gdzie coraz większy udział farm wiatrowych i fotowoltaicznych w miksie wymaga precyzyjniejszego prognozowania produkcji na potrzeby operatora sieci.