Google DeepMind представила модель WeatherNext 3, построенную на архитектуре Functional Generative Network. Система использует данные метеостанций, спутниковые снимки и анализ ECMWF для прогнозирования погоды. Модель выдает данные с разрешением 5 км для температуры и точки росы, 10 км для ветра и солнечной радиации, а также 25 км для атмосферных полей на 13 уровнях давления.
Модель обновляется 24 раза в сутки. Основные циклы прогнозируют погоду на срок до 15 дней с использованием 64 ансамблевых членов, промежуточные запуски охватывают 48 часов. Такой график обновлений позволяет точнее отслеживать развитие конвективных явлений. Функционал включает параметры для энергетического сектора, такие как скорость ветра на высоте турбин и показатели облачности.
В части прогнозирования осадков WeatherNext 3 демонстрирует улучшение CRPS до 60% по сравнению с данными IMERG, 30% против MRMS и 10% против показаний дождемеров. Исследования также фиксируют снижение Brier score и CRPS до 50% относительно базовых моделей численного прогнозирования погоды. Доступ к данным открыт через BigQuery, Earth Engine и Cloud Storage по запросу.
Веса модели WeatherNext 3 не являются открытыми, а запросы на кастомный инференс пока обрабатываются с помощью предыдущей версии WeatherNext 2. Особенностью новой модели стало обучение на «сырых» измерениях метеостанций, что позволяет учитывать локальные особенности рельефа, которые часто нивелируются в стандартных методах реанализа.