Közvetlen műholdas adatok feldolgozásával gyorsítja és pontosítja globális időjárási előrejelzéseit a Google DeepMind legújabb mesterséges intelligenciája. A WeatherNext 3 nevű modell a megszokott hatórás frissítési ciklus helyett már óránként képes új becsléseket készíteni a légköri folyamatokról.
Közvetlen műholdkép-feldolgozás a hatórás késleltetés ellen
Az eddigi gépi tanulási alapon működő meteorológiai rendszerek többsége egy szerkezeti korláttal küzdött. Bár a számításokat másodpercek alatt elvégezték, az alapul szolgáló adatokat az úgynevezett reanalízis-modellekből kapták. Ezek az összetett rendszerek a világ minden tájáról származó méréseket összegzik egyetlen egységes globális pillanatképpé, azonban az előállításuk időigényes, és jellemzően csak hatóránként frissülnek. Ez az adatkésés megnehezítette a hirtelen kialakuló viharok vagy a gyorsan változó frontok pontos követését.
A WeatherNext 3 fejlesztői átlépték ezt a szűk keresztmetszetet. Az új modell a geostacionárius műholdak élő mozaikképeit és adatait közvetlenül táplálja be a hálózatba, anélkül, hogy megvárná a hatórás feldolgozási ciklusok végét. A közvetlen adatfolyamnak köszönhetően a rendszer reakcióideje jelentősen lecsökkent, így az elemzők szinte valós időben értesülhetnek a légkör legfrissebb változásairól.
Ötkilométeres felbontás és pontosabb csapadék-előrejelzés
A modell az adatok frissessége mellett azok részletességében is érdemi fejlődést mutat. Míg az előző generációs rendszerek 25 kilométeres rácshálóban számolták a légköri változókat, a WeatherNext 3 bizonyos felületi paramétereket – például a talajközeli hőmérsékletet és a páratartalmat – már 5 kilométeres felbontásban jelenít meg. Ez az ötszörös finomodás lehetővé teszi, hogy a domborzati viszonyok és a helyi mikroklíma sajátosságai is jobban kirajzolódjanak a becslésekben.
A tesztek alapján a csapadékmennyiség és a csapadékos zónák meghatározása akár 50 százalékkal pontosabbá vált a korábbi verziókhoz képest. A hálózat betanításánál a mérőállomások közvetlen adatait is felhasználták, ami javította a talajon mért valós értékekhez való illeszkedést. Az architektúra méretét is megnövelték: a hálózat rétegeinek száma 24-ről 32-re nőtt, a rejtett dimenziók mérete pedig 768-ról 1024-re bővült, ami összetettebb mintázatok felismerését teszi lehetővé. A rendszer 64 tagú együttes előrejelzést generál, amellyel a valószínűségi meteorológiai szórás is precízebben becsülhető 15 napos időtávon.
Gyakorlati alkalmazás a keresőtől a zöldenergiáig
A sűrűbb frissítésű előrejelzéseknek kiemelt szerepük van az energetikai szektorban. A szél- és napelemparkok üzemeltetői számára a felhőborítottság és a szélturbinák magasságában várható szélsebesség óránkénti változása kritikus az energiatermelés megtervezéséhez. A WeatherNext 3 célzottan kínál olyan változókat, amelyek segítenek az elektromos hálózatok egyensúlyának fenntartásában és az időjárásfüggő megújuló források integrációjában.
A frissített modell eredményei a lakossági felhasználók számára is közvetlenül elérhetővé válnak. A Google fokozatosan építi be a WeatherNext 3 által előállított adatokat a keresőbe, a térképalkalmazásba, valamint a Gemini asszisztensbe. A fejlesztők és kutatók számára pedig a Google Earth Engine és a Cloud infrastruktúráján keresztül válik hozzáférhetővé a rendszer, így a globális klímakutatástól kezdve a logisztikai tervezésig számos területen alkalmazható az új technológia.
