گوگل WeatherNext 3 را با پیشبینی ساعتی و وضوح ۵ کیلومتری معرفی کرد
گوگل مدل هوش مصنوعی جدید WeatherNext 3 را معرفی کرده؛ مدلی که با تکیه بر دادههای زنده ماهوارههای هواشناسی، پیشبینیهای جهانی را هر ساعت و با وضوحی تا ۵ کیلومتر تولید میکند. به گفته گوگل دیپمایند و Google Research، ارزیابیهای مستقل Brightband نشان میدهد این مدل دقیقترین مدل جهانی هواشناسی گوگل تاکنون است و پیشبینی بارش را برای بازههای طولانیتر تا ۵۰ درصد دقیقتر میکند.
آبوهوا هر روز بر میلیاردها تصمیم اثر میگذارد؛ از همراهداشتن چتر تا تصمیمهای مهمتر در کشاورزی، زنجیرههای تأمین جهانی، تولید انرژی پاک و اقتصاد کشورها. با وجود پیشرفت هوش مصنوعی در پیشبینی سریعتر و دقیقتر، پیشبینیهای بسیار محلی و سریعالتغییر همچنان دشوار بودهاند. مدلهای قبلی وضوح مکانی کافی نداشتند و در استفاده از دادههای لحظهای منابعی مانند ماهوارهها نیز محدود بودند.
گوگل WeatherNext 3 نسبت به WeatherNext 2 جهش محسوسی در جزئیات زمانی و مکانی دارد. مدل قبلی روی شبکهای ۲۵ کیلومتری و در بازههای ششساعته پیشبینی میکرد اما مدل جدید دما و رطوبت سطحی را با وضوح ۵ کیلومتر، سایر متغیرهای سطحی را با وضوح ۱۰ کیلومتر و متغیرهای جوی مانند سرعت باد را با وضوح ۲۵ کیلومتر پیشبینی میکند. در مجموع تصویر جهانی هواشناسی تقریباً پنج برابر دقیقتر شده.
معماری WeatherNext 3 دادههای زنده موزاییکی ماهوارههای زمینایستای هواشناسی را که هر یک ساعت بهروزرسانی میشوند، در کنار تحلیلهای تاریخی دریافت میکند و آنها را به یک شبکه FGN Mesh Transformer واحد و انعطافپذیر میدهد. خروجی سامانه شامل میدانهای شبکهای متراکم، مسیرهای گسسته سیکلونها و پیشبینی بومی مختصات پراکنده ایستگاههای هواشناسی است. این طراحی امکان تولید پیشبینیهای متراکم و جزئی را در یک سامانه واحد فراهم میکند.
در نمونه مقایسه دمای دو متری بریتانیا، WeatherNext 2 با وضوح ۲۵ کیلومتر یا ۰.۲۵ درجه، تصویری پیکسلی و بیشازحد هموار ارائه میدهد؛ در مقابلوWeatherNext 3 با وضوح بومی ۵ کیلومتر یا ۰.۰۵ درجه، توپوگرافی پیچیده محلی را بهتر تفکیک میکند. به این ترتیب، تغییرات حرارتی ناشی از پستیوبلندیهای منطقه کمتر در میان سلولهای بزرگ شبکه گم میشوند و جزئیات جغرافیایی بیشتری در پیشبینی باقی میماند.
یکی از تفاوتهای اصلی WeatherNext 3 در منبع داده آموزشی آن است. مدلهای هوش مصنوعی هواشناسی از جمله WeatherNext 2 عمدتاً بر خروجی مدلهای پیشبینی عددی هواشناسی آموزش میبینند؛ مدلهایی که به شبیهسازیهای فیزیکی پیچیده و ابررایانهها متکیاند و دادههایشان تاخیر ششساعته دارد. این تاخیر میتواند برای متغیرهای سریعالتغییری مانند بارش و دمای سطح زمین، سوگیری ایجاد کند.
مدل جدید با دریافت مستقیم موزاییک دادههای زنده ماهوارههای زمینایستای جهانی، تصویر پیوستهتری از وضعیت جو به دست میآورد و هر ساعت، پیشبینی تازهای را بر پایه جدیدترین مشاهدات ماهوارهای تولید میکند. این چرخه سریعتر برای سامانههایی اهمیت دارد که ناگهان شکل میگیرند؛ از طوفان و جبهههای هوا گرفته تا سامانههای بارشی. وضوح بالاتر نیز تغییرات شدید دما و رطوبت را در سواحل، درهها و مناطق کوهستانی بهتر آشکار میکند.
برای ثبت جزئیات منطقهای، WeatherNext 3 بهجای اتکا به بازنماییهای کمجزئیات جو، مستقیماً از دادههای پراکنده ایستگاههای هواشناسی برای آموزش پیشبینی جهانی استفاده میکند. گوگل میگوید این رویکرد امکان پیشبینی روی شبکه ۵ کیلومتری و در نظر گرفتن عواملی مانند توپوگرافی منطقه را فراهم کرده است. این قابلیت برای بخشهایی از آمریکای لاتین، آفریقا و آسیا-اقیانوسیه اهمیت ویژهای دارد؛ مناطقی که بهدلیل هزینه عظیم ابررایانش، کمتر از پیشبینیهای منطقهای دقیق بهره بردهاند.
گوگل WeatherNext 3 برای انرژیهای تجدیدپذیر نیز پیشبینیهای اختصاصی ارائه میدهد. این مدل سرعت باد در ارتفاع ۱۰۰ متری، تقریباً همسطح ارتفاع توربین، را برای برآورد دقیق تولید برق بادی پیشبینی میکند و همزمان پوشش ابر و میزان تابش خورشیدی را با وضوح بالا در اختیار مزارع خورشیدی میگذارد. چنین دادههایی برای برنامهریزی انرژی پاک، پیشبینی تولید نیرو توسط داراییهای تجدیدپذیر و هماهنگکردن آن با تقاضای مصرفکنندگان کاربرد دارد.
بارش یکی از دشوارترین بخشهای پیشبینی جهانی هواشناسی است، زیرا باران و برف تحت تأثیر فرایندهای سریع ابرها در مقیاسهای بسیار کوچک قرار دارند. WeatherNext 3 برای بهبود این بخش با دادههای IMERG ناسا و بازتحلیل جهانی بارش گوگل مبتنی بر رادار ماهوارهای آموزش دیده. در ارزیابی پیشبینیهای میانمدت جهانی امتیاز CRPS در مقایسه با IMERG تا ۶۰ درصد، در برابر MRMS تا ۳۰ درصد و در برابر اندازهگیری بارانسنجها در زمانهای ابتدایی تا ۱۰ درصد بهبود یافته.
در مقایسه احتمال بارش بیش از یک میلیمتر، WeatherNext 2 در وضوح ۲۵ کیلومتر خروجی پخششده و پیکسلی تولید میکند اما WeatherNext 3 در وضوح ۱۱ کیلومتر به الگوی واقعی ثبتشده توسط ماهواره نزدیکتر است. این مدل میتواند نوارهای همرفتی تیز سامانههای جوی را دقیقتر مشخص کند؛ مسئلهای مهم برای پیشبینی بارش، زیرا برآوردهای مبهم ممکن است مرز طوفانهای شدید را بهدرستی نشان ندهند.
گوگل WeatherNext 3 را از امروز در گوکل سرچ، اپلیکیشن جمناب، گوگل مپ، رابط Weather API پلتفرم مپ و گوگل ارث انجین وارد چرخه استفاده جهانی میکند. دادههای پیشبینی جهانی نیز بهصورت ساعتی و بدون نیاز به راهاندازی مدل در اختیار پژوهشگران، توسعهدهندگان و کسبوکارها قرار میگیرد تا از طریق BigQuery و Earth Engine به آن دسترسی داشته باشند یا آن را بهصورت حجمی از Google Cloud Storage دریافت کنند.
هدف گوگل از توسعه WeatherNext 3 تبدیل پیشبینی هوا به ابزاری عمومی برای تصمیمگیری بهتر است؛ از امدادگری که تغییر ناگهانی باد را دنبال میکند تا کنترلکننده ترافیک هوایی که مسیر پروازها را برنامهریزی میکند و کشاورزی که درباره محصولات تصمیم میگیرد. با وجود بهبودها، جو همچنان تا حدی غیرقابلپیشبینی است. گوگل برای هشدارهای شدید و اطلاعیههای ایمنی، مراجعه به سازمان هواشناسی محلی را توصیه میکند.
گوگل همچنین میگوید WeatherNext 3 قرار است زمینه استفاده گستردهتر از هوش مصنوعی و دادههای مکانی را فراهم کند و برای آشنایی با این حوزه، ارث انجین، AlphaEarth Foundations و Earth AI را معرفی کرده. با این حال برای پیشبینیهای رسمی هواشناسی، هشدارهای مربوط به شرایط شدید و اطلاعیههای ایمنی عمومی، مرجع نهایی باید سازمان هواشناسی محلی یا سرویس ملی هواشناسی کشور باشد، نه خروجی مدل هوش مصنوعی.
