Google Deepmindov WeatherNext predviđa putanje ciklona i intenzitet istovremeno

Model je razvijen u suradnji s National Hurricane Center (NHC), Cooperative Institute for Research in the Atmosphere i britanskim Met Officeom. Od lipnja 2025. prognoze se uživo objavljuju na Googleovom Weather Labu. Prema Deepmindu, model je NHC-u pomogao da na vrijeme predvidi naglo jačanje uragana Melissa, koji je 2025. udario u Jamajku – a to je pojava kada oluja u 24 sata dobije najmanje 30 čvorova (oko 34 mph) na brzini vjetra.

WN-C rješava desetljećima star kompromis

Predviđanje ciklona dugo je patilo od jednog temeljnog kompromisa. Globalni modeli poput ECMWF-ovog ansambla (ENS) dobri su u praćenju putanje, ali pregrubi za procjenu intenziteta. Specijalizirani regionalni modeli poput NOAA-inog Hurricane Analysis and Forecast System (HAFS) daju preciznije podatke o intenzitetu, ali gube na točnosti putanje. WN-C to dvoje rješava u jednom sustavu, kako se navodi u radu objavljenom u Natureu.

Za petodnevnu prognozu, procijenjeni položaj središta oluje u prosjeku odstupa 230 kilometara, dok ENS griješi za 370, a Deepmindov prethodni model GenCast za 335 kilometara. Na trodnevnim prognozama intenziteta, WN-C je točniji od HAFS-a za 3,75 čvorova (oko 4,3 mph).

WN-C postiže i više od dvostruko bolji rezultat od ENS-a i GenCasta na probabilističkim prognozama intenziteta oluje za mnoge vremenske horizonte. Kada je riječ o vjerojatnosti vjetrova od 64 čvora – pragu na kojemu oluja dostiže snagu uragana – model prema Deepmindu pruža veću praktičnu vrijednost za donošenje odluka od ENS-a.

Grubi podaci, oštrije prognoze

WN-C radi s mrežom podataka u kojoj svaka točka pokriva oko 28 kilometara, što je otprilike stotinu puta grublje od specijaliziranih regionalnih modela. Čak i kompaktnija inačica s mrežom od 111 kilometara po točki daje konkurentne rezultate, tvrdi Deepmind.

„Visoka rezolucija nije nužan preduvjet za vrhunsko predviđanje intenziteta”, pišu autori. Grubi vremenski podaci očito sadrže više informacija o snazi oluje nego što se ikad mislilo. Kako modeli na ovoj rezoluciji uspijevaju generirati tako točne prognoze, ostaje otvoreno istraživačko pitanje.

Funkcionalne generativne mreže umjesto difuzije

WN-C koristi Functional Generative Networks (FGN). GenCast se oslanja na difuziju – metodu poznatu prije svega iz AI generatora slika – i za svaki korak prognoze treba desetke prolaza kroz neuronsku mrežu. FGN-u je dovoljan jedan jedini prolaz, što ga čini osam puta bržim.

Kako bi uhvatio neizvjesnost, sustav ne dodaje šum pojedinim pikselima kao što to čini većina pristupa. Umjesto toga, šum se ubacuje u upravljačke slojeve mreže. Time nastaju različiti, ali fizikalno konzistentni scenariji – a ne samo zašumljene varijante istog rezultata.

Ključno je bilo treniranje na dva potpuno različita izvora podataka. Tim je koristio gotovo 20 terabajta globalnih atmosferskih podataka iz ECMWF analiza, zajedno s pažljivo odabranom bazom od oko 5.000 povijesnih ciklona. Kako bi model mogao učiti iz oba izvora istovremeno, tabelarni podaci o oluji – uključujući položaj, intenzitet i doseg – projiciraju se na istu geografsku mrežu kao i vremenski podaci.

To mreži omogućuje da izravno predviđa putanju, intenzitet i polumjere vjetra. Ablacijske studije u radu pokazuju da upravo to zajedničko treniranje stoji iza poboljšanja.

1.000 scenarija po oluji

Prognoza za 15 dana izvodi se za manje od minute na jednom od Googleovih AI čipova, pa je Deepmind povećao broj paralelnih simulacija s 50 na 1.000. Veliki ansambli poput ovog mogli bi pouzdanije uhvatiti rijetke ekstremne događaje. Critical Success Index, koji mjeri omjer točnih upozorenja, lažnih uzbuna i propuštenih događaja, skače s ispod 0,3 na 0,5, navodi se u radu.

Dopuna, ne zamjena

Tradicionalni numerički modeli i dalje su važni, naglašava Deepmind. NHC u pravilu kombinira rezultate nekoliko fizikalnih modela u ponderiranom prosjeku za svoje službene prognoze, odvojeno za putanju (TVCN) i intenzitet (IVCN). U simuliranom ponderiranom dodavanju tim konsenzusnim modelima, WN-C poboljšava prognoze putanje u prosjeku za 28 posto. Za intenzitet, dobitak iznosi oko 6 posto. Manji napredak na intenzitetu pokazuje da tradicionalni modeli i dalje snažno doprinose u tom području.

Model koji je godinama sazrijevao

Deepmind je sve to učinio javno dostupnim – objavio je kod i težine za WeatherNext 2 i WeatherNext Cyclones na GitHubu. Mini inačica radi na jednom TPU-u u besplatnoj Colab bilježnici. Za službena upozorenja, autori i dalje upućuju korisnike na nacionalne meteorološke službe. WN-C je zamišljen kao podrška meteorolozima, a ne kao njihova zamjena.

Prošle godine Deepmind je predstavio WeatherNext 2, temeljni vremenski AI koji je sada objavljen kao open-source zajedno s inačicom za ciklone. U lipnju 2025. Deepmind i Google Research pokrenuli su Weather Lab, platformu namijenjenu predviđanju ciklona čiji je eksperimentalni model sada postao WeatherNext Cyclones. Suradnja s NHC-om i CIRA-om već je tada bila uspostavljena.

Prije toga, Deepmind je krajem 2024. objavio GenCast – prvi probabilistički vremenski model koji je nadmašio ECMWF-ov ansambl, također kao open-source. WN-C zamjenjuje GenCastov difuzijski pristup bržom FGN metodom i proširuje opseg na tropske ciklone.

Googleov dosadašnji učinak na polju prognoziranja nije uvijek bio ovako impresivan. Sustav Android Earthquake Alerts drastično je podcijenio potrese u Turskoj 2023. godine – potres magnitude 7,8 ocijenio je samo s 4,5 do 4,9 te poslao svega 469 kritičnih upozorenja, dok ih je trebalo biti milijune.

Ovaj znanstveni uspjeh dolazi u turbulentnom razdoblju za sam Deepmind. Izvršni direktor Demis Hassabis nedavno se povukao iz svakodnevnog upravljanja kako bi preuzeo ulogu glavnog znanstvenika Alphabeta, dok je glavni istraživač Jeff Dean napustio tvrtku nakon 27 godina kako bi zajedno s nekoliko starijih istraživača suosnovao AI startup Discovery Loop.