Google DeepMind ja Google Research julkaisivat WeatherNext 3:n, yhtiön tarkimman globaalin säämallin. Malli lukee geostationaaristen satelliittien dataa suoraan ja tuottaa uuden ennusteen joka tunti. Edeltäjä WeatherNext 2 päivittyi kuuden tunnin välein.
Muutos näkyy jo kuluttajille. Malli on otettu käyttöön Google-haussa, Mapsissa ja Gemini-sovelluksessa. Googlen blogin mukaan vuorokautta pidemmällä aikavälillä sade-ennusteet ovat jopa 50 prosenttia tarkempia kuin aiemmin.
Satelliittidata poistaa kuuden tunnin viiveen
Useimmat tekoälypohjaiset säämallit, myös WeatherNext 2, on koulutettu numeeristen säämallien tuottamalla datalla. Nämä supertietokoneilla ajettavat fysiikkasimulaatiot ovat tarkkoja, mutta niiden data laahaa noin kuusi tuntia jäljessä. Viive näkyy vinoumana juuri nopeasti muuttuvissa suureissa, kuten sateessa ja pintalämpötilassa.
WeatherNext 3 ottaa syötteekseen maailmanlaajuisen mosaiikin geostationaaristen satelliittien suorasta datavirrasta. Malli alustetaan uudelleen kerran tunnissa, eli 24 kertaa vuorokaudessa. Jokainen ennuste perustuu siis tuoreimpaan käytettävissä olevaan havaintoon.
Google kuvaa mallia ensimmäiseksi, joka syöttää raakahavainnot suoraan korkean resoluution globaaliin ennusteeseen. Väite ei ole kiistaton. Säätekoälyyn keskittynyt WindBorne kertoo käyttäneensä raakahavaintoja sääpallolaivastostaan WeatherMesh 6 -mallissa jo loppuvuodesta 2025. Google vastasi, että sen ennusteet ovat tarkempia koko maapallon mittakaavassa. Kumpikin malli nojaa yhä myös kansallisiin sääaineistoihin.
Viisi kertaa tarkempi kuva maailman säästä
Malli tuottaa tulokset kolmella eri tarkkuudella. Lämpötila ja kastepiste lasketaan viiden kilometrin ruudukolle, muut pintasuureet kymmenen kilometrin ruudukolle ja ilmakehän painepinnat 25 kilometrin ruudukolle. WeatherNext 2 tarjosi kaiken 25 kilometrin ruudulla ja kuuden tunnin askeleella. Kokonaiskuva on siis noin viisi kertaa terävämpi.
Uusi malli on myös selvästi isompi. Parametreja on 2,4-kertainen määrä edeltäjään verrattuna. Arkkitehtuuri perustuu Functional Generative Network -verkkoon, joka toimii mesh-muotoisena transformerina. Ennuste ulottuu 15 vuorokauden päähän ja koostuu 64 rinnakkaisesta skenaariosta.
Tarkkuuden takana on myös koulutusdatan valinta. Sen sijaan että malli opetettaisiin pelkästään uudelleenanalysoiduilla ruudukoilla, osa siitä koulutettiin suoraan yksittäisten sääasemien havainnoilla. Näin ennuste vastaa sitä, mitä maassa oikeasti mitataan, ja ottaa huomioon paikalliset maastonmuodot.
Sateen ennustaminen harppasi eniten
Sade on perinteisesti ollut säämallien heikoin lenkki. WeatherNext 3 koulutettiin kolmella eri sadeaineistolla: ECMWF:n uudelleenanalyysillä, NASAn satelliittipohjaisella IMERG-aineistolla ja Googlen omalla satelliittitutka-analyysillä.
Tulokset ovat mittavia. Keskipitkän aikavälin ennusteissa CRPS-tunnusluku parani jopa 60 prosenttia IMERG-aineistoa vasten, 30 prosenttia MRMS-aineistoa vasten ja 10 prosenttia sääasemien sademittareita vasten lyhyillä ennustejänteillä.
Arvio ei perustu pelkästään Googlen omiin lukuihin. Startup Brightbandin ylläpitämässä Operational WeatherBench -vertailussa WeatherNext 3 nousi tarkimmaksi malliksi. Se ohitti sekä Microsoftin, Nvidian ja ECMWF:n syväoppimismallit että perinteiset ennusteet ECMWF:ltä ja Yhdysvaltain sääpalvelulta.
Suurin hyöty osuu alueille, joilla tarkkaa ennustetta ei ole ollut saatavilla. Latinalaisessa Amerikassa, Afrikassa ja Aasian ja Tyynenmeren alueella korkean resoluution alueelliset mallit ovat jääneet tekemättä, koska niiden vaatima laskenta on ollut liian kallista.
Tuulivoima ja aurinkosähkö saivat omat muuttujansa
Malliin lisättiin suureita, jotka on suunniteltu suoraan uusiutuvan energian tuotantoon. Se ennustaa tuulen nopeuden sadan metrin korkeudella eli suunnilleen turbiinin napakorkeudella. Aurinkovoimaloille se tuottaa korkean resoluution pilvisyyden ja auringon säteilytehon.
Jakelukanavia on useita. Kuluttajapuolella malli päivittää Google-haun, Mapsin ja Gemini-sovelluksen säätiedot. Kehittäjille se avautuu Google Maps Platformin Weather API:n ja Earth Enginen kautta.
Raakadata on saatavilla kyselyinä BigQuerystä ja Earth Enginestä tai massalatauksena Google Cloud Storagesta. Erillistä mallin pystytystä ei tarvita. Käytännössä sähkökaupan, maatalouden ja logistiikan toimijat voivat suunnitella tunnin tarkkuudella ilman omaa laskentaklusteria.
Yhteenveto
WeatherNext 3:n merkittävin muutos ei ole mallin koko vaan se, mistä se oppii. Siirtymä supertietokoneiden simulaatioista suoriin satelliittihavaintoihin lyhentää viivettä kuudesta tunnista yhteen. Se on ero, joka ratkaisee juuri nopeasti kehittyvissä rintamissa ja rajuissa kuuroissa.
Riippumaton vertailu tukee Googlen väitteitä tarkkuudesta, mutta ensimmäisyysväitteestä kiistellään. Kummallakaan seikalla ei ole suurta merkitystä loppukäyttäjälle, joka katsoo sadetutkaa puhelimestaan. Sille ratkaisee, osuuko ennuste oikeaan.