WeatherNext 3. Jak działa nowy model pogody Google

Czym jest WeatherNext 3

WeatherNext 3 to kolejna generacja modeli pogodowych Google opartych na uczeniu maszynowym. Klasyczne numeryczne prognozy pogody rozwiązują równania fizyki atmosfery na superkomputerach, a ich punktem wyjścia jest tzw. analiza, czyli uzgodniony obraz stanu atmosfery przygotowywany co kilka godzin. WeatherNext 3 omija część tego procesu i uczy się bezpośrednio z surowych obserwacji.

Według pracy opublikowanej 3 września 2026 roku w serwisie arXiv model korzysta z mozaik obrazów z satelitów geostacjonarnych, danych o opadach, trasach cyklonów tropikalnych i pomiarach ze stacji meteorologicznych. Dzięki temu może startować co godzinę, zamiast czekać na kolejny cykl analizy. Autorami publikacji jest 25 badaczy, a jej pierwszym autorem jest Stephan Rasp. Praca ma status preprintu i nie przeszła jeszcze recenzji naukowej.

Co zmienia się względem WeatherNext 2

Najbardziej widoczna zmiana to rozdzielczość w czasie i przestrzeni. Poniżej zestawiamy parametry podane przez Google w ogłoszeniu i dokumentacji dla deweloperów.

• częstotliwość - WeatherNext 2 podawał prognozy w krokach 6-godzinnych, WeatherNext 3 startuje co godzinę i liczy kroki godzinowe,
• siatka - WeatherNext 2 pracował w siatce 25 km, WeatherNext 3 ma 5 km dla temperatury i wilgotności przy gruncie, 10 km dla innych zmiennych powierzchniowych i 25 km dla poziomów atmosfery,
• horyzont i niepewność - 15 dni naprzód i 64 warianty prognozy, z których wynika rozkład prawdopodobieństwa,
• dane wejściowe - bieżące obrazy satelitarne, pomiary stacji i dane o opadach zamiast wyłącznie analizy numerycznej,
• energetyka - prognoza prędkości wiatru na wysokości 100 m, czyli mniej więcej na wysokości gondoli turbiny, oraz zachmurzenia i promieniowania słonecznego.

Opady i temperatura w liczbach

Największy postęp Google opisuje przy opadach, które są dla modeli AI trudne, bo w klasycznych danych treningowych są odwzorowane słabo. WeatherNext 3 uczono na danych satelitarnych NASA IMERG oraz na własnej, globalnej reanalizie opadów Google opartej na radarze satelitarnym. W prognozach średnioterminowych poprawa miary CRPS, która ocenia trafność prognoz probabilistycznych, sięga według Google do 60 proc. względem danych IMERG, 30 proc. względem radarowych danych MRMS i 10 proc. względem deszczomierzy w krótkim wyprzedzeniu.

Dla użytkownika Google przekłada to na deklarację do 50 proc. trafniejszych prognoz opadów przy planowaniu z wyprzedzeniem dnia lub więcej. Przy temperaturze i punkcie rosy na wysokości 2 m autorzy pracy piszą o wyraźnie mniejszym błędzie niż w konkurencyjnych modelach globalnych, także na stacjach, których model nie widział w trakcie treningu. W streszczeniu nie ma jednak liczbowego porównania z operacyjnymi prognozami europejskiego centrum ECMWF.

Huragan Isaias - sprawdzian AI w prognozach cyklonów

Model AI Google DeepMind trafniej niż klasyczne modele przewidział tor huraganu Isaias, który na początku października 2026 roku uderzył jako huragan 2. kategorii w okolice Destin na Florydzie. Tak opisało to NPR 26 października 2026 roku. Modele fizyczne początkowo kierowały burzę dalej na zachód, w stronę południowo-wschodniej Luizjany, a model Google od pierwszych prognoz wskazywał zachodnią część Florydy, czyli tzw. Florida Panhandle.

Chodzi o eksperymentalny model cyklonów tropikalnych, który Google DeepMind pokazał w czerwcu 2025 roku w serwisie Weather Lab. Model generuje 50 scenariuszy na 15 dni naprzód i przewiduje tor, siłę, rozmiar oraz kształt cyklonu. NPR nie podaje, która wersja modelu liczyła prognozy dla Isaiasa, a Google nie odpowiedział redakcji na pytania. Amerykańskie Narodowe Centrum Huraganów (NHC) uwzględnia prognozy Google w oficjalnych analizach od sezonu 2025.

Co mówią meteorolodzy

Dyrektor NHC Michael Brennan powiedział NPR, że model Google wygrał z innymi przy torze Isaiasa, ale przy intensywności burzy wypadł słabiej niż zbiorcza prognoza NHC. Centrum łączy kilka sprawdzonych modeli AI i fizycznych, a ostateczny komunikat dla mieszkańców przygotowują synoptycy. Zespół Brennana regularnie przekazuje Google uwagi do modelu.

Meteorolog Michael Lowry nazwał model Google najlepiej działającym modelem komputerowym, jaki widział. Zarazem wskazał jego słabość, bo model AI nie opiera się na równaniach fizyki atmosfery i działa jak czarna skrzynka, więc nie wiadomo, dlaczego trafia albo się myli. Według Lowry'ego najlepsze wyniki wśród modeli AI mają dziś rozwiązania Google DeepMind i Europejskiego Centrum Prognoz Średnioterminowych (ECMWF).

Wewnętrzne testy Google z 2025 roku dotyczyły sezonów 2023-2024 na Atlantyku i wschodnim Pacyfiku. Pięciodniowa prognoza toru była w nich średnio o 140 km bliżej rzeczywistego położenia cyklonu niż prognoza zespołowa ECMWF. To dane samej firmy. Pojedynczy trafiony huragan nie jest niezależną oceną całego sezonu, którą NHC publikuje zwykle po jego zakończeniu.

Gdzie działa i jak uzyskać dostęp do danych

Google podaje, że WeatherNext 3 zasila informacje o pogodzie w wyszukiwarce Google, aplikacji Gemini, Mapach Google, interfejsie Weather API w Google Maps Platform oraz w Google Earth Engine. Ogłoszenie nie precyzuje, czy dotyczy to wszystkich krajów, więc nie można przesądzić, że prognoza wyświetlana w Polsce pochodzi już z nowego modelu.

Dla firm i badaczy Google udostępnia bieżące i archiwalne prognozy w BigQuery, Earth Engine oraz jako pliki w formacie Zarr w Google Cloud Storage. Dokumentacja wspomina też o prognozach liczonych na zamówienie w Google Cloud, z wyborem liczby wariantów i horyzontu. Wizualizację na żywo można obejrzeć w serwisie Weather Lab. Ani ogłoszenie, ani strona dla deweloperów nie podają cen, warunków licencji do zastosowań komercyjnych ani ograniczeń regionalnych.

Ograniczenia i niewiadome

Wyniki pochodzą od samego Google i z preprintu, który nie przeszedł recenzji. Procentowe poprawy opisują miary statystyczne na wybranych zbiorach referencyjnych, a nie odsetek dni z trafną prognozą. Rozdzielczość 5 km dotyczy tylko części zmiennych, a warunki w skali pojedynczej ulicy, burzy czy doliny górskiej nadal mogą odbiegać od prognozy.

Model zależy od ciągłego dopływu danych satelitarnych i ze stacji, a więc także od infrastruktury, którą utrzymują instytucje publiczne. Nie zastępuje ostrzeżeń meteorologicznych wydawanych przez krajowe służby, w Polsce przez Instytut Meteorologii i Gospodarki Wodnej - Państwowy Instytut Badawczy. Przy decyzjach dotyczących bezpieczeństwa ludzi rozstrzygające pozostają oficjalne komunikaty i ostrzeżenia.

Co to oznacza dla polskich firm

Najwięcej mogą zyskać branże, w których godzinowa prognoza przekłada się na pieniądze: energetyka wiatrowa i słoneczna, handel energią, rolnictwo, logistyka i budownictwo. Prognoza wiatru na wysokości 100 m oraz promieniowania słonecznego odpowiada bezpośrednio na potrzebę szacowania produkcji z farm, co ma znaczenie przy rosnącym udziale odnawialnych źródeł w polskim systemie energetycznym.

W naszej ocenie rozsądny pierwszy krok to porównanie danych WeatherNext 3 z BigQuery z dotychczasowym źródłem prognoz na historycznych danych z własnych lokalizacji, na przykład z pomiarów farmy wiatrowej lub stacji w gospodarstwie. Przed wdrożeniem trzeba ustalić z Google warunki licencji i koszt zapytań, których oficjalne materiały nie podają. Alternatywę rozwijają instytucje europejskie - Europejskie Centrum Prognoz Średnioterminowych (ECMWF) od lutego 2025 roku prowadzi operacyjnie własny model AI o nazwie AIFS.