Google DeepMind lancerer WeatherNext 3
Google DeepMind og Google Research melder sig på banen med WeatherNext 3, en global AI‑vejrmodel der ifølge de første rapporter leverer timeopdaterede prognoser i cirka 5 km opløsning. Den korte version er netop det. Den længere: modellen indlæser en live geostationær satellitmozaik som direkte input, re‑initialiserer hver time og er trænet op mod rå stationsmålinger. Hvis det holder i praksis, adresserer det to kendte svagheder ved AI‑vejr: langsom opstart og for grov opløsning.
Teknikken kort
Det centrale greb er dedikerede observations‑hoveder, der trænes direkte mod rå stationsdata. Pointen er ligetil: i stedet for kun at lære fra reanalyser, som glatter terræn og lokale effekter ud, kalibrerer man eksplicit til instrumentmålinger. Det bør især hjælpe 2 m temperatur og dugpunkt. Der er også melding om direkte indtag af en global geostationær satellitmozaik som input. Det er afgørende for skyer og konvektion, hvor timing er alt.
Data og validering
Trænings‑ og inputdatasæt nævnes som ERA5 og HRES‑fc0 fra ECMWF, HRES analyse, NASA’s IMERG for nedbør, stationsobservationer og satellitmozaikker. ERA5 er ECMWF’s udbredte reanalyse med timesopløsning og cirka 31 km gitter, dokumenteret af Copernicus/ECMWF. HRES er ECMWF’s højopløste deterministiske prognose, veldokumenteret hos ECMWF. IMERG er NASA’s globale nedbørsestimat med høj tidslig opløsning under GPM‑programmet. De tre kilder er standard i feltet og giver faglig mening i kombination. Detaljer om præcis sampling, perioder og vægtning i træningen kræver dog et officielt teknisk dokument, før de kan bekræftes endeligt.
Der er også omtale af en Google‑intern satellit‑radar nedbørsreanalyse i mixet. Det kan være et stærkt kort for konvektion, men uden metodepapir er det svært at vurdere bias og konsistens på tværs af regioner. Her bør man forvente regionale performanceplots, før man ændrer drift.
Cadence og operation
Cadencen er et reelt brud med vanen. WeatherNext 3 initialiserer hver time. Ifølge rapporteringen kører 00, 06, 12 og 18 UTC‑cyklusser ud til 15 dage med 64 ensembles, mens de mellemliggende timeskud dækker op til 48 timer. Det er en fornuftig opdeling mellem tunge døgnkørsler og lette korttidsprognoser. Men latens og pipeline bliver afgørende: vil man forbruge timestrømme, skal ingest, kvalitetskontrol, normalisering og distribution køre stabilt uden menneskehånd hver time. Ellers forsvinder fordelen.
Det praktiske nøglespørgsmål er, hvor hurtigt satellitmozaikken og stationsdata faktisk lander i inputbufferen. En model, der teknisk kan re‑initialisere hver time, er kun så frisk som sit langsomste feed. Test det i jeres tidzone og for netop jeres variabler.
Hvad ~5 km betyder i praksis
Opløsningen på cirka 5 km er ikke vejret på hushjørnet, men den er fin nok til at fange kystspring, dal‑briser og større urbane varmeøer bedre end 10–25 km felter. I kuperet terræn og kystzoner kan planlægning for vindkraft, præcisionslandbrug og ruteoptimering faktisk flytte sig på de sidste kilometer. Der er dog risiko for overfortolkning, når kortene ser skarpe ud. Kalibrér mod lokale stationer eller sensorer, især i komplekst terræn.
For energisektoren er to detaljer værd at hæfte sig ved: 100 m vind (omtrent møllehubhøjde) og mere udfoldede skyfraktioner samt solkomponenter. Det er præcis de størrelser, operatører bruger i daglig optimering. Et forbedret signal time for time kan reducere reservebehov og start/stop‑omkostninger — men kun hvis regional bias er kortlagt.
Adgang og distribution
Ifølge MarkTechPost er data fra WeatherNext 3 tilgængelig via Google BigQuery, Earth Engine og Cloud Storage efter en allowlist‑anmodning. Det placerer produktet i den kendte Google‑stack, men kræver styr på adgangsstyring, projektbudgetter og forbrugsmønstre. BigQuery er stærk til ad‑hoc analyser og join mod interne tabeller, Earth Engine til geospatiale arbejdsgange, og Cloud Storage til bulk‑distribution. Valget afhænger af jeres dataplan: kørsel tæt på anvendelsen eller central datamesh og caching.
Modelvægtene er ikke open source, og on‑demand inference på specialforespørgsler kører ifølge rapporten stadig WeatherNext 2. Det begrænser finjustering og kantkørsel. Hybrider kan blive nødvendige: centralt feed til de tunge felter og en lettere lokal model til mikrolokal justering. Ikke perfekt, men pragmatisk.
Uafhængig evaluering
Google peger ifølge MarkTechPost og Unite.ai på live‑evalueringer fra Brightband, som skulle rangere WeatherNext 3 som den mest præcise globale vejrmodel til dato. Det er en stor udtalelse. Metode, perioder og sammenligningsmodeller bør ses sort på hvidt, før man køber præmissen. Hvis Brightbands scoretabeller og protokol ikke er offentlige, er næste skridt at få bekræftelse fra enten Brightband eller Google med fuld metodik.
Nedbør og de første tal
Nedbør er akilleshælen for globale modeller. WeatherNext 3 træner mod tre kilder: ECMWF‑reanalyse, NASA IMERG og en intern satellit‑radar reanalyse. Ifølge MarkTechPost rapporterer Google forbedringer i CRPS på op til 60 procent mod IMERG, 30 procent mod MRMS og 10 procent mod regnmålere ved tidlige lead‑times. Der nævnes også op til 50 procent lavere Brier score og CRPS mod NWP‑baserede baselines ved evaluering mod IMERG. Det lyder lovende, men uden et teknisk paper og fuld metodik bør tallene ses som indikationer, ikke facit.
Hvis tallene holder, er det især konvektivt drevet nedbør og skybrud, der kan blive fanget tidligere. Her gør satellitmozaikken som realtime input en forskel. Små artefakter i sensorfletning kan dog drille. Hold øje med regioner med kendte biases i geostationære sensorer.
Integration i Google‑produkter
Unite.ai skriver, at WeatherNext 3 rulles ind i Google Search, Gemini‑appen, Google Maps, Maps Platform Weather API og Google Earth Engine. Det er fornuftige distributionskanaler. For endelig bekræftelse bør man dog se Googles egne produktmeddelelser og dokumentation — især for API‑forbrug, kvoter og SLA’er. Indtil da må det stå som en velunderbygget, men endnu ikke officielt verificeret, integration.
Hvis integrationen lander som beskrevet, vil udviklere møde data i eksisterende flows. Det sænker friktion, men man mister også noget kontrol. Bevar gerne en direkte feed‑kanal i BigQuery eller Cloud Storage, så I kan reprocessere ved behov.
Hvad driftsteams bør planlægge
Timestrømme kræver timesystemer. Det betyder en robust ingest‑pipeline, skemaer der kan versioneres, og automatiske valideringsregler for manglende felter eller forsinkede batches. Caching tæt på forbrugere kan skære svartid, mens en central historik i billig lagring holder revisionsspor og muliggør bagudrettet evaluering.
For produktteams peger begrænsningen i åbne vægte på to spor: 1) brug WeatherNext 3 som central sandhedskilde og kalibrér lokalt med stationer eller mobile sensorer, og 2) fasthold en letvægts lokal model til backfill og kantdrift, når forbindelsen halter. Det sidste er ikke fancy, men ofte det, der redder en nattevagt.
Risici og blinde vinkler
Stationstætheden er skæv globalt. Det kan give bias i regioner med få observationer, inklusiv hav og tyndt befolkede områder. Satellitmozaikker er stærke, men har kendte udfordringer i høj breddegrad og ved lave solhøjder. En model, der blander begge verdener, arver i praksis begge typer fejl. Der er ingen vej uden om lokal verifikation.
Manglen på åbne vægte gør modellen til en sort boks. Det er ikke et etisk problem i sig selv, men et driftsspørgsmål: hvordan forklarer man hop i prognoser over for interessenter, når man ikke kan replikere en bestemt revision lokalt? Svaret er disciplin: log inputfeeds, versionér output, og kør tilbageprøver på faste datoer.
Hvem bør man tale med
Der er fire naturlige kontaktpunkter for at komme videre. 1) DeepMind/Google Research for en teknisk gennemgang og pointer om inputlatenser. 2) Brightband for fuld metode, perioder og scoretabeller. 3) ECMWF og NASA for klare beskrivelser af ERA5/HRES og IMERG, inklusiv kendte begrænsninger. 4) En national meteorologisk tjeneste eller uafhængig forskergruppe til en regional blindtest, fx DMI, Met Office eller NOAA. To samtaler og et datasæt afklarer mere end ti slides.
Det er måske lidt niche, men et hurtigt A/B‑setup over tre uger med faste stationer og en enkel CRPS‑pipeline giver et brugbart svar på regional performance. Hellere én god test end femten halvtynde dashboards.
Hvor historien står nu
Påstanden om 0,05° global opløsning og timestrømme er veldokumenteret i de tilgængelige kilder. Direkte satellitinput og stationstræning er specifikke og plausible, men fortjener et teknisk paper under lup. Brightband‑placeringen som nummer ét kræver offentlig metode for at være mere end et løfte. Adgangen via BigQuery, Earth Engine og Cloud Storage ser reel ud, men allowlist‑proces, skemaer og priser er endnu ikke fuldt beskrevet.
Konklusionen er nøgtern: det her kan være et markant step for globale AI‑prognoser. Det føles hurtigere og skarpere end forrige generation, især for konvektion og energi‑relevante variable. Planen for de fleste teams bør være enkel: test regionalt, planlæg timestrømme i jeres dataarkitektur, og undgå blind tillid til et flot 5 km‑kort uden lokal verifikation. Forskellen viser sig først, når man sidder med data dag efter dag.
