По сообщению Google (август 2026 г.). Даты запуска, доступность функций и сравнительные результаты ниже относятся к этому сообщению и отражают данные разработчика. Первоисточник.
WeatherNext обеспечивает точные прогнозы циклонов, дающие дополнительный день предупреждения. Сейчас мы открываем исходный код модели.
Прогнозирование развития опасных циклонов — давняя задача, где на счету каждая минута. Тропические циклоны — также известные как ураганы или тайфуны — входят в число самых разрушительных погодных явлений на Земле; за последние 50 лет они стали причиной более 700 000 смертей и экономических потерь на сумму около 1,4 триллиона долларов по всему миру. Для синоптиков своевременное и точное предупреждение — это постоянная гонка со временем.
Сегодня в статье, опубликованной в Nature, мы показываем, что наша модель ИИ WeatherNext достигла передовых показателей точности в прогнозировании трека циклона, его интенсивности и структуры ветра. В среднем наша модель дает синоптикам дополнительный день точности прогнозов: наши трехдневные прогнозы сопоставимы по качеству с тем, что предыдущие модели могли давать только на два дня вперед. По масштабу это улучшение примерно соответствует десятилетнему прогрессу в метеорологии.
Эта совместная работа объединила исследователей и инженеров ИИ из Google DeepMind и Google Research с экспертами-синоптиками из Национального центра по ураганам (NHC), Cooperative Institute for Research in the Atmosphere (CIRA), метеослужбы Великобритании (UK Met Office) и метеоагентств по всему миру.
Наши исследования уже оказали реальное влияние. В сезоне ураганов 2025 года наша модель помогла NHC сделать исторический прогноз для урагана Мелисса, предсказав его быстрое усиление и выход на берег в Ямайке. Это позволило NHC заблаговременно выпустить предупреждение, дав местным службам критически важное время для подготовки. В этом году мы продолжаем сотрудничать и теперь прогнозируем 1000 возможных сценариев для каждого циклона, чтобы помочь синоптикам в принятии решений.
Погода затрагивает всех. Учитывая широкий масштаб воздействия, мы теперь открываем исходный код наших моделей WeatherNext 2 и WeatherNext Cyclones, использовавшихся в сезоне ураганов. Предоставляя эту технологию в открытом доступе, мы надеемся расширить возможности исследовательского сообщества и усилить влияние ИИ на построение более устойчивых сообществ — будь то предоставление местным синоптикам инструментов для подготовки к стихийным бедствиям, поддержка развития возобновляемых источников энергии или прогнозирование экстремальной погоды.
Как WeatherNext прогнозирует погоду и циклоны
Начиная с глобальных атмосферных условий во время урагана Milton (октябрь 2024 года), WeatherNext Cyclones итеративно предсказывает как глобальные погодные паттерны, так и мелкомасштабные треки циклонов до 15 дней вперед. Запуск ансамбля из 1000 членов генерирует локализованные карты вероятностей ветров от тропической бури до силы урагана.
Ранее при прогнозировании циклонов приходилось идти на компромисс и использовать две различных методики моделирования. Трек циклона (куда он направляется) определяется крупномасштабными глобальными атмосферными токами, которые раньше лучше всего описывались более грубыми глобальными моделями. Интенсивность циклона (насколько он сильный) определяется высоколокализованными, мелкомасштабными термодинамическими процессами вокруг его ядра, которые лучше моделируются специализированными, высокоразрешающими локальными моделями.
Наша модель WeatherNext преодолевает этот разрыв, улучшая прогнозирование глобальной погоды в целом и циклонов в частности. Это единая модель ИИ, которая предсказывает трек, интенсивность и структуру ветра тропического циклона с передовой точностью. Такой прорыв достигнут благодаря уникальному сочетанию обучения, архитектуры и подхода к низкоразрешающим входным данным.
Мы оценивали WeatherNext Cyclones на исторических циклонах 2023–2024 годов, сравнивая ее детерминистические и вероятностные показатели с другими ведущими погодными моделями. В среднем WeatherNext Cyclones дает более чем полные сутки (24 часа) преимущества по времени для прогнозирования трека, интенсивности и структуры ветра циклона.
Модель обучалась на двух различных типах данных: глобальной динамике погоды и экспертизно отобранных исторических наблюдениях за циклонами. Обучаясь сквозным способом на почти 20 терабайтах глобальных атмосферных данных и на исторической базе IBTrACS, охватывающей почти 5000 штормов, модель усваивает сложные атмосферные паттерны и способы моделирования экстремальной погоды.
Точность прогнозов по циклонам стабильно повышалась в последние десятилетия. На графиках показана 3-дневная точность прогнозов трека ECMWF-ENS (a) и прогнозов интенсивности HWRF (b) по годам, и то, как WeatherNext Cyclones обеспечивает качественный скачок точности и для трека, и для интенсивности. Это улучшение эквивалентно прогрессу, достигнутому за одно десятилетие по трендам последних 20 лет.
Наша модель использует Functional Generative Networks (FGN) для эффективной генерации ансамблей различных прогнозов, что захватывает присущую погоде неопределенность. Теперь мы можем сгенерировать единый 15-дневный прогноз менее чем за минуту на TPU, позволяя синоптикам быстро оценивать распределение вероятностей для потенциально разрушительных редких событий. В прошлом году наша система одновременно порождала 50 прогнозов, что сопоставимо с глобальными физическими моделями. В этом году мы увеличили размер ансамбля до 1000 членов, что позволяет захватывать редкие, но значимые сценарии, такие как быстрые события усиления, как это происходило во время урагана Мелисса в 2025 году.
До сих пор считалось, что работа на очень высоком пространственном разрешении является главным фактором для точных прогнозов интенсивности. Однако WeatherNext Cyclones нуждается всего лишь в данных с разрешением 28×28 км, что в 100 раз грубее, чем у традиционных моделей. Уменьшенная версия модели, WeatherNext 2-mini, работающая на более грубом разрешении 111×111 км, также показывает хорошие результаты. Это удивило учёных, и остаётся открытым исследовательским вопросом, как именно наши модели дают такие точные прогнозы при этом разрешении. Мы надеемся совместно с исследовательским сообществом разобраться в этом.
Открытие WeatherNext для исследовательского сообщества
Параллельно с публикацией в Nature мы открываем исходный код и веса моделей, делая их свободно доступными для всех, кто хочет на них основываться. Это включает академические исследования, оперативное прогнозирование или разработку более специализированных локальных моделей. Мы надеемся ускорить прогресс в мировом сообществе по изучению погоды и предоставить метеослужбам, исследователям и некоммерческим организациям инструменты для лучшего прогнозирования погодных явлений любого рода и принятия ключевых решений для защиты жизни и инфраструктуры.
Мы также выпускаем два набора схожих моделей: WeatherNext Cyclones, которые работали в сезон ураганов (результаты описаны в статье), и WeatherNext 2, обновление, которое мы внедрили в октябре. Кроме того, мы публикуем WeatherNext 2-mini, компактную версию модели, которую можно запустить на одном TPU в бесплатной публичной Colab-ноутбуке.
Вы можете просмотреть наши последние прогнозы по циклонам на Weather Lab, который мы недавно обновили новым интерфейсом и расширили, добавив глобальные прогнозы погоды вместе с треками циклонов. Weather Lab теперь позволяет визуализировать предсказания WeatherNext по температуре, осадкам, скорости ветра и другим параметрам в одном окне. И Weather Lab, и модели WeatherNext являются частью Google Earth AI.
Расширение границ применения ИИ в прогнозировании погоды
Мы достигли исторического прорыва, получив более чем полные сутки заблаговременности при предсказании циклонов — это эквивалент повышения, равного десятилетнему прогрессу в метеорологии. Готовясь к будущим сезонам штормов, мы приглашаем исследователей, метеорологические агентства и экспертов сотрудничать с нами, развивать наши открытые модели и изучать наши прогнозы на Weather Lab. Сочетая продвинутые методы машинного обучения и незаменимый практический опыт человеческих синоптиков, мы стремимся создать совместную экосистему прогнозирования погоды, которая сможет спасать жизни и помогать сообществам адаптироваться к меняющемуся климату.
Примечание: для официальных прогнозов и предупреждений обращайтесь к вашему местному метеорологическому агентству или национальной службе погоды.
Это исследование было совместно разработано командами Google DeepMind и Google Research. Мы благодарим наших партнеров NOAA/NWS/NCEP National Hurricane Center, Cooperative Institute for Research in the Atmosphere (CIRA) и UK Met Office за сотрудничество и вклад в статью.
В эту работу внесли вклад соавторы статьи: Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez и Peter Battaglia.
Как WeatherNext помог Национальному центру по ураганам лучше предсказать исторический выход урагана Мелиссы на берег в Ямайке
GenCast предсказывает погоду и риски экстремальных условий с передовой точностью.
GraphCast: модель ИИ для более быстрой и точной глобальной погодной картины.