Vremenska napoved je desetletja pomenila delo ogromnih superračunalnikov, ki so ure in ure računali, kako se bo obnašalo ozračje. Zdaj se to hitro spreminja: Google DeepMind in Google Research sta predstavila WeatherNext 3, model umetne inteligence, ki obljublja hitrejše, podrobnejše in natančnejše napovedi vremena – vse do območij velikosti približno petih kilometrov.
Če bodo Googlove napovedi držale v praksi, bi lahko uporabniki kmalu dobili precej uporabnejšo informacijo od klasičnega podatka, da bo “popoldne možnost ploh”. Model naj bi namreč bolje ocenjeval, kdaj in kje bo deževalo, kako močan bo veter ter kakšne razmere lahko pričakujemo v posamezni uri.
Google napoveduje, da bo WeatherNext 3 postopoma začel napajati vremenske informacije v Iskanju Google, Google Zemljevidih in Gemini. Na voljo naj bi bil tudi uporabnikom in raziskovalcem prek Googlovih oblačnih platform.
Od superračunalnikov do modelov umetne inteligence
Tradicionalne vremenske napovedi nastajajo s pomočjo numeričnih modelov: superračunalniki rešujejo zelo veliko fizikalnih enačb, ki opisujejo gibanje zraka, vlage, temperature in energije v ozračju. Tak pristop je izjemno zmogljiv, vendar zahteva veliko računske moči, denarja in časa.
Razvoj modelov umetne inteligence je dobil pospešek po letu 2018, ko je Evropski center za srednjeročne vremenske napovedi (ECMWF) objavil obsežne zgodovinske vremenske podatke. Raziskovalci so lahko začeli učiti modele na desetletjih opazovanj in simulacij ter preverjati, ali lahko ti dovolj dobro prepoznajo zakonitosti vremena.
Ferran Alet, vodja raziskav pri DeepMindu, je za TechCrunch poudaril, da je vreme kaotičen sistem. Majhne razlike v začetnih podatkih lahko sčasoma povzročijo velike razlike v napovedi. Umetna inteligenca po njegovih besedah ne rešuje vsake fizikalne enačbe na klasičen način, temveč se iz velike količine podatkov nauči vzorcev, ki so pomembni za napovedovanje.
Kaj pomeni “ločljivost pet kilometrov”?
Ena pomembnejših obljub WeatherNext 3 je napovedovanje pri ločljivosti petih kilometrov. Preprosto povedano: namesto da bi model obravnaval veliko območje kot eno vremensko celoto, ga razdeli na manjše dele.
To je pomembno predvsem tam, kjer se vreme hitro spreminja zaradi reliefa, obale ali lokalnih neviht. V Sloveniji bi bil tak pristop potencialno uporaben zlasti v alpskih dolinah, na Primorskem in ob Jadranu, kjer lahko že kratka razdalja pomeni razliko med soncem, nalivom, burjo ali meglo.
Predstavljajmo si vremenski zemljevid kot sliko, sestavljeno iz kvadratkov. Večji kot so kvadratki, manj natančno lahko model pokaže lokalne posebnosti. WeatherNext 3 naj bi uporabljal manjše “kvadratke” in zato ponujal bolj podrobno sliko dogajanja.
Po navedbah Googla so se ocene napovedovanja padavin v primerjavi z modelom WeatherNext 2 izboljšale za 60 odstotkov. Novi model lahko pripravlja tudi urne napovedi, medtem ko so bile pri številnih sistemih standardne posodobitve na šest ur.
Uspešnost na primerjalni lestvici
WeatherNext 3 se je po podatkih platforme Operational WeatherBench, ki jo razvija podjetje Brightband, med vodilnimi modeli dobro odrezal pri meritvah temperature, hitrosti vetra in vlažnosti. Po poročanju TechCruncha je model prehitel več konkurenčnih sistemov globokega učenja, med drugim modele podjetij Google, Microsoft in Nvidia, pa tudi napovedi ECMWF in ameriške nacionalne vremenske službe.
Takšne primerjave je treba brati previdno. Rezultati so odvisni od izbranih meritev, obdobja testiranja in vrste napovedi. Dober rezultat pri temperaturi na primer še ne pomeni nujno enako velike prednosti pri lokalnih nevihtah, toči ali nenadnih nalivih – pojavih, ki so za uporabnike pogosto najbolj pomembni.
Od napovedi za regije do napovedi za posamezne postaje
Google je WeatherNext 3 naučil tudi napovedovanja razmer pri konkretnih vremenskih postajah. Namesto zgolj ocene za širše območje lahko model cilja na to, kaj bo v določeni uri izmerila posamezna postaja, denimo na letališču.
Daniel Rothenberg, atmosferski znanstvenik pri Brightbandu, je za TechCrunch pojasnil, da tak pristop povezuje napoved neposredno z dejanskimi meritvami na terenu. To je uporabno iz dveh razlogov: napovedi postanejo bolj lokalne, hkrati pa jih je lažje preverjati glede na realne podatke.
Google navaja tudi, da model sprejema satelitska opazovanja v realnem času na urni ravni. Namesto da bi se zanašal zgolj na že obdelane izračune državnih meteoroloških služb, skuša neposredno uporabiti nove meritve iz ozračja.
Napredek, a tudi tekma za najboljši model
Google WeatherNext 3 predstavlja kot prvi model umetne inteligence, ki za globalne napovedi visoke ločljivosti neposredno vključuje surova opazovanja. Vendar tekmeci opozarjajo, da razvoj ni omejen na Google.
Podjetje WindBorne trdi, da njegov model WeatherMesh 6 že od konca leta 2025 uporablja surova opazovanja iz vremenskih balonov in drugih virov. Google je v odzivu poudaril, da njegove napovedi zagotavljajo višjo ločljivost po vsem svetu.
Razprava kaže, da področje napreduje hitro in da izraz “prvi” ni vedno enoznačen. Oba sistema še vedno uporabljata tudi nacionalne vremenske zbirke podatkov, zato popolna neposredna uporaba vseh surovih meritev ostaja odprt tehnični izziv.
Kaj bi to lahko pomenilo za Evropo in Slovenijo?
ECMWF je že eden ključnih svetovnih akterjev v vremenskem napovedovanju in razvija ter uporablja lastne modele umetne inteligence. Evropske in ameriške vremenske agencije po navedbah TechCruncha že vključujejo AI-pristope v svoje napovedne produkte, predvsem zaradi hitrosti in nižjih stroškov izračunov.
Za evropski prostor so boljše napovedi pomembne pri opozarjanju na vročinske valove, suše, poplave, neurja in močan veter. V Sloveniji bi natančnejše kratkoročne napovedi lahko koristile kmetijstvu, turizmu, cestnemu prometu, letalstvu, energetiki in civilni zaščiti.
Pomembne bi bile tudi za vsakdanje odločitve: ali je pametno načrtovati pohod v gorah, kako prilagoditi delo na prostem, kdaj pričakovati poslabšanje razmer na cesti ali koliko sončne in vetrne energije bo na voljo v naslednjih urah.
WeatherNext 3 zato ni le še en velik jezikovni model v drugačni preobleki. Gre za znak, da umetna inteligenca vse bolj posega tudi v področja, kjer lahko kakovost napovedi neposredno vpliva na varnost, gospodarstvo in vsakdanje življenje.
