Google DeepMind сделал прорыв в прогнозировании ураганов на сутки раньше

Модель предсказала увеличение «Мелиссы» до 5-й категории и создаёт до 1 000 сценариев её развития, используя атмосферные данные низкого разрешения

Google DeepMind и Google Research разработали модель искусственного интеллекта WeatherNext, которая, в среднем, предоставляет метеорологам примерно на сутки более точный прогноз развития тропических циклонов по сравнению с существующими моделями. Это означает, что прогноз WeatherNext на 3 дня вперёд в среднем сопоставим по точности с традиционным прогнозом на 2 дня.

Модель уже была протестирована в реальной работе метеорологов, и её результаты оказались настолько впечатляющими, что удивили даже её создателей.

Особенно показательным стал случай урагана «Мелисса» в октябре 2025 года. За 5 дней до того, как шторм достиг берегов, WeatherNext с вероятностью 80% предсказала, что система направится к Ямайке и усилится до урагана 5-й категории. В итоге «Мелисса» действительно обрушилась на Ямайку, вызвав наводнения и оползни. Более ранний прогноз дал властям и службам дополнительное время для подготовки эвакуации, распределения запасов и перемещения ресурсов.

Предсказать одновременно траекторию и интенсивность тропических циклонов особенно сложно. Направление движения зависит от процессов глобального масштаба — таких как расположение атмосферных фронтов и преобладающие ветры. В то же время сила урагана определяется гораздо более локальными условиями в атмосфере и океане. Ранее ИИ-модели показывали хорошие результаты в прогнозировании траектории, но значительно хуже справлялись с определением интенсивности.

WeatherNext обучили не только на данных о циклонах, которых относительно немного, но и на гораздо более обширном массиве обычных метеорологических наблюдений. Такой подход позволил модели одновременно обучаться прогнозировать погоду в целом и распознавать развитие тропических циклонов. При этом исследователей особенно удивило, что WeatherNext использует атмосферные данные относительно низкого разрешения, в то время как традиционные модели требуют более детализированной информации для прогнозирования интенсивности ураганов. Это указывает на то, что крупномасштабные данные могут содержать больше информации о будущем усилении циклона, чем предполагалось ранее, хотя конкретный механизм пока не установлен.

Вместо единственного прогноза WeatherNext создаёт множество возможных сценариев развития шторма, принимая во внимание эффект малых начальных различий, которые со временем могут приводить к значительно различающимся результатам. В прошлом году модель генерировала по 50 сценариев на один шторм, теперь — до 1 000. По словам специалистов, такое количество вариантов трудно получить с помощью традиционных численных моделей при доступных вычислительных ресурсах.

Перед использованием в оперативных прогнозах WeatherNext протестировали на исторических данных, а затем результаты подтвердились во время реальных прогнозов. При этом Национальный центр по наблюдению за ураганами США подчеркивает, что модель остаётся одним из инструментов метеорологов, а не заменой экспертного прогноза. Google DeepMind также открыла исходные модели WeatherNext, использованные в сезонных прогнозах ураганов, для исследовательского сообщества. Авторы надеются, что это позволит другим учёным изучить причины высокой точности модели и понять, какие закономерности развития циклонов она выявляет из атмосферных данных.