Model WeatherNext Google DeepMind przewiduje huragany dzień wcześniej niż tradycyjne prognozy

Google DeepMind opublikował w czasopiśmie Nature wyniki modelu WeatherNext Cyclones, który przewiduje trajektorię, siłę i strukturę wiatru cyklonów tropikalnych z dokładnością przekraczającą dotychczasowe narzędzia meteorologiczne o pełny dodatkowy dzień. Model już podczas sezonu huraganów 2025 pomógł amerykańskiemu Narodowemu Centrum Huraganów (NHC) wcześniej ostrzec przed gwałtownym wzmocnieniem huraganu Melissa, który uderzył w Jamajkę jako najsilniejsza burza w historii wyspy.

Jak działa model

WeatherNext Cyclones łączy dwie perspektywy, które dotąd wymagały osobnych narzędzi: globalne modele pogodowe dobrze przewidujące trajektorię burzy, ale słabo radzące sobie z intensywnością, oraz wyspecjalizowane modele regionalne dokładne w prognozowaniu siły wiatru, lecz kosztowne obliczeniowo. DeepMind połączył oba podejścia w jednym systemie opartym na tak zwanych Functional Generative Networks, które generują tysiąc możliwych scenariuszy rozwoju cyklonu wraz z przypisanym prawdopodobieństwem, zamiast pojedynczej prognozy.

Zamiast symulować fizykę atmosfery równanie po równaniu, model dzieli globus na piksele o rozdzielczości 28 na 28 kilometrów i uczy się, jak warunki pogodowe w jednym miejscu wpływają na sąsiednie obszary. Naukowcy z DeepMind przyznają, że osiągnięcie takiej dokładności przy stosunkowo niskiej rozdzielczości danych wejściowych pozostaje dla nich samych zaskoczeniem i otwartym pytaniem badawczym.

Test na huraganie Melissa

Realnym testem modelu był huragan Melissa, który w 2025 roku uderzył w Jamajkę jako najsilniejsza burza w historii wyspy. WeatherNext przewidział gwałtowne wzmocnienie cyklonu do kategorii piątej na trzy dni przed zdarzeniem, mimo że wyjściowe prędkości wiatru były wtedy stosunkowo niskie. To pozwoliło Narodowemu Centrum Huraganów wydać wcześniejsze ostrzeżenie, a lokalnym służbom zyskać dodatkowy czas na ewakuację i przygotowania.

To zmniejszenie szkód naprawdę robi różnicę dla naszych ludzi - Evan Thompson, Meteorological Service Jamaica

DeepMind podkreśla, że skala poprawy, jaką przynosi WeatherNext, odpowiada w przybliżeniu dekadzie postępu w tradycyjnej meteorologii operacyjnej. Cyklony tropikalne odpowiadają według danych przywołanych w publikacji za ponad 700 tysięcy zgonów i 1,4 biliona dolarów strat gospodarczych w ciągu ostatnich pięćdziesięciu lat, co czyni każdy dodatkowy dzień ostrzeżenia potencjalnie istotnym dla liczby ofiar.

Współpraca z meteorologami i dostępność

Model powstał we współpracy z amerykańskim Narodowym Centrum Huraganów, brytyjskim Met Office oraz agencjami NOAA i NWS/NCEP, a wśród współautorów publikacji w Nature wymieniani są między innymi Mark DeMaria, John Cangialosi, Jonathan Martinez i James Franklin. DeepMind udostępnił kod i wagi modelu jako open source na GitHubie, z myślą o wykorzystaniu zarówno w badaniach akademickich, jak i w operacyjnych prognozach krajowych służb meteorologicznych. Wizualizacje prognoz WeatherNext są dostępne publicznie w serwisie Weather Lab, będącym częścią inicjatywy Google Earth AI.

Autorzy zastrzegają jednocześnie, że model ma uzupełniać, a nie zastępować tradycyjne prognozowanie oparte na fizyce atmosfery. Ludzka ekspertyza meteorologów pozostaje niezbędna do weryfikacji, czy generowane przez sieć scenariusze mają sens fizyczny, zwłaszcza w sytuacjach nietypowych, które rzadko występowały w danych treningowych.

Znaczenie dla prognozowania

Dla krajów najbardziej narażonych na cyklony tropikalne, takich jak państwa Karaibów czy południowo-wschodniej Azji, wydłużenie wiarygodnego okna prognozy z dwóch do trzech dni oznacza realnie więcej czasu na ewakuację wybrzeży i zabezpieczenie infrastruktury. Krótszy czas obliczeń, poniżej minuty na jeden chip TPU, sprawia też, że tworzenie kolejnych aktualizacji prognozy w trakcie rozwoju burzy staje się tańsze i szybsze niż w przypadku klasycznych symulacji numerycznych, które wymagają godzin obliczeń na superkomputerach.

Skuteczność WeatherNext podczas sezonu 2025 wpisuje się w szerszy trend rosnącej roli modeli AI w prognozowaniu pogody obok wcześniejszych narzędzi Google DeepMind, takich jak GenCast, które również wykazywały przewagę nad tradycyjnymi modelami numerycznymi w testach porównawczych. Otwarcie kodu WeatherNext Cyclones może przyspieszyć wdrożenie podobnych systemów przez inne krajowe służby meteorologiczne, w tym europejskie, które na co dzień korzystają z prognoz ECMWF.