Google DeepMind stellt WeatherNext 3 vor: Stündliche globale Vorhersagen mit einer Auflösung von 5 km

KI-Wettermodelle haben drei Jahre damit verbracht, die physikalische Vorhersage einzuholen, doch zwei Probleme blieben ungelöst: die grobe Auflösung und die Unfähigkeit, lokale Topografie abzubilden; sowie eine Initialisierung, die der Analyse numerischer Wettervorhersagen (NWP) um etwa 6 Stunden hinterherhinkt. WeatherNext 3, gemeinsam von Google DeepMind und Google Research veröffentlicht, adressiert diese beiden Punkte direkt.

Direktes Training auf meteorologischen Stationsmessungen, nicht mehr nur Betrachtung von Reanalyse-Gittern

WeatherNext 3 nutzt globale geostationäre Satellitenmosaiken in Echtzeit als direkte Eingabe des Modells, das stündlich neu initialisiert wird, und gibt eine maximale Auflösung von 0,05° (ca. 5 Kilometer) aus. Es wird mit ursprünglichen meteorologischen Stationsbeobachtungsdaten trainiert, anstatt sich ausschließlich auf Reanalyse-Gitter zu stützen. Laut Google AI hat die unabhängige Echtzeitbewertung von Brightband es als das genaueste globale Wettermodell bis heute eingestuft.

Architektonisch ist WeatherNext 3 ein Grid-Transformer eines Funktionsgenerierungsnetzwerks (FGN) und gehört zur gleichen Familie probabilistischer Modelle wie WeatherNext 2, wurde jedoch auf Mehrfachauflösungsausgaben erweitert. Die Eingaben umfassen Echtzeit-geostationäre Satellitenmosaiken und die ECMWF-HRES-Analyse. Die Trainingsdaten umfassen ERA5/HRES-fc0, NASA IMERG, Stationsbeobachtungen und Satellitenmosaiken.

Die meisten KI-Vorhersagemodelle lernen aus NWP-Reanalysedaten, die lokale Unterschiede, die durch Küstenlinien, Täler und Berge verursacht werden, glätten können. WeatherNext 3 wird jedoch direkt auf ursprünglichen Stationsmessdaten trainiert, wobei ein dediziertes Beobachtungsmodul verwendet wird, um seine 0,05°-Ausgaben für Temperatur und Taupunkt an die tatsächlichen Instrumentenablesungen anzupassen.

Stündliche Updates, erhebliche Verbesserungen bei Niederschlags- und Erneuerbare-Energien-Variablen

Ein einzelner Vorwärts-Inferenzvorgang kann drei Ergebnisebenen erzeugen: 2-Meter-Temperatur und Taupunkt bei 0,05° (ca. 5 km) für stationsgetrainierte Modelle, 10-Meter- und 100-Meter-Oberflächenwind, Druck, Meeresoberflächentemperatur, Bewölkung, Sonnenstrahlung und 1-Stunden-Niederschlag bei 0,1° (ca. 10 km) sowie ein 0,25°- (ca. 25 km) atmosphärisches Feld, das 13 Druckebenen abdeckt. Im Vergleich dazu gibt WeatherNext 2 alle 6 Stunden ein 0,25°-Feld aus, was der Grund für die Behauptung einer „fünffachen Klarheitsverbesserung“ ist.

Die Aktualisierungsfrequenz ist eine weitere große Änderung: Das Modell wird 24-mal täglich initialisiert, wobei vier Wetterzyklen um 00, 06, 12 und 18 UTC bis zu 15 Tage (360 Stunden) mit 64 Ensemble-Mitglieden vorhersagen können, während die verbleibenden stündlichen Durchläufe 48 Stunden abdecken. Für sich schnell entwickelnde konvektive Wetterereignisse macht die stündliche Aktualisierung auf Basis aktueller Satellitenbeobachtungen im Vergleich zum 6-Stunden-Zyklus hinterherhinkender Analysen einen erheblichen Unterschied aus.

Niederschlag war immer eine Schwäche globaler Modelle, wobei die Ausgaben oft unscharf sind und Sturmgrenzen nicht erfassen können. WeatherNext 3 wird mit drei Datenquellen trainiert: ECMWF-Reanalyse, NASA IMERG-Satelliteninvertierung und Googles eigene satellitengestützte Radar-Niederschlagsreanalyse. Google behauptet, dass sich seine CRPS bei kurzfristigen Vorhersagen im Vergleich zur Grundlinie (verglichen mit IMERG) um bis zu 60 %, im Vergleich zu MRMS um 30 % und im Vergleich zu Regenmessern um 10 % verbessert; Studien zeigen auch, dass bei der Bewertung gegen IMERG die Brier-Score und CRPS im Vergleich zur NWP-Grundlinie um bis zu 50 % reduziert werden.

Für Erneuerbare Energien gibt das Modell Windgeschwindigkeiten in 100 Metern Höhe in der Höhe der Turbinen-Nabenaus, vollständige Verteilungen von Nieder-/Mittel-/Hochwolken und zwei Komponenten der Sonneneinstrahlung – SSRD und FDIR – welche genau die Kombination darstellen, die von Netzbetreibern zur Vorhersage von Wind- und Solarleistung benötigt wird.

Derzeit können Vorhersagedaten über BigQuery, Earth Engine und Cloud Storage angefordert werden, doch die Gewichte von WeatherNext 3 sind nicht quelloffen, und benutzerdefinierte Inferenz führt auf Anfrage weiterhin WeatherNext 2 aus.