Los modelos meteorológicos de IA han pasado tres años cerrando la brecha con el pronóstico basado en la física, pero dos problemas permanecieron abiertos: la resolución demasiado aproximada para el terreno local y la inicialización vinculada al análisis de predicción numérica del tiempo (PNT) que llega con unas seis horas de retraso. WeatherNext 3, lanzado por Google DeepMind y Google Research, ataca a ambos. Toma un mosaico de satélites geoestacionarios globales en vivo como entrada directa del modelo, se reinicia cada hora y emite pronósticos de hasta 0,05° (~5 km) mientras se entrena con mediciones de estaciones meteorológicas sin procesar en lugar de cuadrículas de reanálisis únicamente. Según Google AI, las evaluaciones independientes en vivo de Brightband lo clasifican como el modelo meteorológico global más preciso hasta la fecha.
¿Es desplegable? Parcialmente. Los datos de pronóstico ahora están disponibles a través de BigQuery, Earth Engine y Cloud Storage después de una solicitud de lista permitida, pero los pesos de WeatherNext 3 no son de código abierto y la inferencia personalizada bajo demanda aún ejecuta WeatherNext 2.
Arquitectura y entradas
WeatherNext 3 es un transformador de malla de red generativa funcional (FGN), la misma familia probabilística introducida con WeatherNext 2, escalada a salida de resolución múltiple. Las entradas son un mosaico de satélites geoestacionarios en vivo más un análisis HRES del ECMWF. La formación se basa en ERA5/HRES-fc0, IMERG de la NASA, observaciones de estaciones y mosaicos de satélites.
La mayoría de los pronosticadores de IA aprenden del reanálisis de la PNT, que suaviza la variación local que realmente producen las costas, los valles y las montañas. WeatherNext 3 entrena cabezales de observación dedicados directamente sobre las mediciones sin procesar de la estación, por lo que sus salidas de temperatura y punto de rocío de 0,05 ° se calibran según lo que registran los instrumentos en lugar de según la representación de la atmósfera de un modelo.