Компания Google представила новую версию своей системы прогнозирования погоды на основе искусственного интеллекта, которая сочетает машинное обучение с ограниченным использованием физических данных. В отличие от традиционных моделей, опирающихся на физические свойства атмосферы, алгоритмы машинного обучения обычно работают как «черный ящик», анализируя прошлые закономерности для предсказания будущих. Разработчики WeatherNext 3 решили добавить в этот процесс небольшой объем физической информации, чтобы точнее рассчитывать температуру поверхности и точку росы для конкретных географических точек.
Новая модель проверяет, находится ли выбранная точка над сушей или океаном, а также учитывает высоту местности над уровнем моря. Как отмечается в техническом документе, опубликованном на сайте Ars Technica, обучение на данных метеостанций с привязкой к этим характеристикам позволило улучшить качество прогнозов. В публикации также приводятся результаты сравнения эффективности WeatherNext 3 с предыдущей версией WeatherNext 2 и моделью Европейского центра среднесрочных прогнозов погоды (ECMWF).
Разработчики заявляют о примерно пятипроцентном улучшении точности оценки состояния верхних слоев атмосферы по сравнению с прошлой версией, что эквивалентно дополнительным шести часам точного прогноза. Корректировка методики расчета температуры поверхности для конкретного места повысила точность показателей до 30 процентов. По этим параметрам новая система также превосходит модель европейского центра.
Вместе с тем исследователи обнаружили любопытное исключение, причину которого они пока не могут объяснить. При сравнении с прогнозами других моделей на первые шесть часов вперед WeatherNext 3 демонстрирует худшие результаты, однако затем вырывается вперед на протяжении остального периода 15-дневного прогноза. Кроме того, в некоторых предсказаниях крупномасштабных явлений заметны артефакты сетки модели, например, на картах осадков видны шестиугольные образования.
Метод генерации нескольких вариантов температуры поверхности для отражения диапазона возможных исходов также приводит к появлению снимков с аномальным глобальным средним показателем температуры. В идеале среднее значение должно оставаться стабильным, а локальные колебания — компенсировать друг друга в мировом масштабе. Несмотря на эти особенности, команда называет новую модель значительным шагом вперед для прогнозирования на базе ИИ, поскольку она выходит за рамки чистого анализа и использует информативные данные наблюдений с низкой задержкой. WeatherNext 3 уже стала источником прогнозов для сервисов Google, включая Search, Gemini и Maps.