Was ist passiert?
Google DeepMind veröffentlichte am 6. August „WeatherNext Cyclones in Nature“ und veröffentlichte den Prognosecode und vorab trainierte Gewichte für Forschungszwecke.
Zu den Autoren des Papiers gehören Forscher von Google DeepMind und Google Research sowie Prognostiker und Wissenschaftler des US National Hurricane Center, des Cooperative Institute for Research in the Atmosphere der Colorado State University und des UK Met Office. Laut Google wurde das Modell an historischen tropischen Wirbelstürmen aus den Jahren 2023 und 2024 getestet, wobei die jährlichen Versionen nur auf Daten trainiert wurden, die vor dem Evaluierungsjahr verfügbar waren.
In Bezug auf Flugbahn, Intensität und Windstrukturmessungen meldet Google einen durchschnittlichen Vorlaufzeitvorteil von mehr als 24 Stunden gegenüber führenden Vergleichssystemen. Im Klartext: Seine Drei-Tage-Vorhersagen erreichten in etwa die Genauigkeit, die frühere Systeme nach zwei Tagen lieferten. Das Ergebnis umfasst sowohl deterministische Vorhersagen als auch Ensembles, die eine Reihe plausibler Sturmergebnisse und nicht nur einen einzelnen Verlauf abschätzen.
WeatherNext kombiniert globale Atmosphärendaten mit von Experten kuratierten Zyklonaufzeichnungen. Laut Google wurden für das Training fast 20 Terabyte atmosphärischer Daten und fast 5.000 Stürme aus dem IBTrACS-Archiv verwendet. Das System kann bis zu 15 Tage im Voraus vorhersagen und ein Ensemble mit 1.000 Mitgliedern generieren; Das Unternehmen gibt an, dass eine Prognose auf einer TPU weniger als eine Minute dauert.
Lesen Sie die Primärquelle: Google DeepMind WeatherNext announcement and Nature paper ↗
Warum es wichtig ist
Die Zyklonvorhersage erfordert seit langem einen Kompromiss zwischen der Modellierung der großräumigen Strömungen, die einen Sturm steuern, und der feinskaligen Prozesse, die seine Stärke bestimmen. Ein Modell, das beides verbessert, könnte Experten für Meteorologie mehr Zeit für die Beurteilung von Evakuierungen, Personalbesetzung und Notfallversorgung verschaffen.
Die Veröffentlichung ist mehr als eine Forschungsankündigung. Google hat den WeatherNext-Code, Modellgewichte, Dokumentation und eine kompakte Mini-Version unter offenen Lizenzen veröffentlicht. Dies gibt Universitäten, Wetteragenturen und gemeinnützigen Organisationen die Möglichkeit, das veröffentlichte System zu reproduzieren, es in regionalen Umgebungen zu testen und spezielle Tools zu entwickeln, anstatt sich nur auf eine gehostete Demonstration zu verlassen.
Das Modell wurde auch der betrieblichen Praxis ausgesetzt. Eine WeatherNext-Version lief während der Atlantik-Hurrikansaison 2025 und stand den Prognostikern des National Hurricane Center als Orientierungshilfe zur Verfügung. Google sagt, dass man mit der schnellen Intensivierung des Hurrikans Melissa und der Landung auf Jamaika in fünf Tagen gerechnet habe, aber die offizielle Vorhersage und die öffentlichen Warnungen kamen von den menschlichen Prognostikern des Zentrums.
Diese Unterscheidung ist wesentlich. Eine frühere Modellführung kann eine Entscheidung nur dann verbessern, wenn geschulte Prognostiker sie mit Beobachtungen, physikalischen Modellen und lokalem Wissen vergleichen. Google und das öffentliche Repository geben beide an, dass WeatherNext experimentelle Forschung ist und keine Warnungen nationaler oder lokaler Wetterdienste ersetzt.
Was Sie als nächstes sehen sollten
Achten Sie auf unabhängige Replikation über weitere Meeresbecken, seltene Ereignisse mit schneller Intensivierung und vollständige Sturmsaisons mithilfe von eingefrorenen Modellen und realen betrieblichen Eingaben.
Das Hauptergebnis der Vorlaufzeit ist ein Durchschnitt aus historischen Tests und kein Versprechen, dass jeder Sturm einen Tag früher vorhergesagt wird. Lokale Auswirkungen wie Regenfälle, Überschwemmungen, Sturmfluten und Windschäden auf Nachbarschaftsebene erfordern zusätzliche Modelle und Beobachtungen, und ein zuversichtliches Ensemble kann immer noch ein Ergebnis übersehen, das außerhalb der in seinen Daten dargestellten Muster liegt.
Der Zugang hat auch praktische Grenzen. Das Repository beschreibt den Code als Forschungssoftware ohne Garantie für API-Stabilität, sagt, dass die vollständigen Modelle erheblichen Beschleunigerspeicher erfordern und weist darauf hin, dass das kompakte Mini-Modell voraussichtlich nicht mit den größeren Versionen mithalten kann. Einen Benchmark zu reproduzieren ist etwas anderes als der Betrieb eines zuverlässigen öffentlichen Warndienstes rund um die Uhr.
Die wertvollsten Folgebelege werden von meteorologischen Agenturen kommen, die nebeneinander Verifizierungen, Kalibrierungen, Fehlerfälle und Beispiele dafür veröffentlichen, wie die Leitlinien menschliche Vorhersagen verändern. Offene Gewichte ermöglichen diese Prüfung; Eine transparente operative Auswertung zeigt, ob der gemeldete Gewinn über die ursprüngliche Zusammenarbeit hinausgeht.
