DeepMind: WeatherNext прогнозирует ураганы на сутки раньше
В октябре 2025 года над Карибским морем сформировался шторм, и метеомодели расходились в прогнозе его траектории: слабея, он мог дойти до Гаити, а усиливаясь, обрушиться на Ямайку. ИИ-модель WeatherNext, разработанная Google DeepMind и Google Research, выбрала второй сценарий: за пять дней до выхода на сушу она предсказала с 80-процентной уверенностью, что шторм ударит по Ямайке ураганом пятой категории. Так и случилось, ураган «Мелисса» вызвал катастрофические наводнения и оползни на острове, но модель дала синоптикам возможность предупредить людей раньше и лучше подготовиться.
В статье, опубликованной в четверг в журнале Nature, исследователи показывают, что WeatherNext предсказывает циклоны с беспрецедентной точностью. В среднем модель даёт синоптикам на сутки больше времени: её прогноз за три дня до события так же точен, как прогнозы прежних моделей за два дня. По словам авторов, исторически такое продвижение прогноза на сутки вперёд занимало десятилетие работы.
Моделирование редких экстремальных событий, сложная задача для ИИ: для обучения нужно много данных, а данных именно по циклонам мало. «У нас не так много данных по циклонам, но много данных по погоде вообще», говорит Ферран Алет, научный сотрудник Google DeepMind и один из ведущих авторов статьи. Поэтому команда обучила модель одновременно и погоде в целом, и циклонам в частности. Майк Бреннан, директор Национального центра ураганов США, подчёркивает практическую ценность результата: эвакуация, переброска ресурсов и запасов, решения, чувствительные ко времени, и даже несколько лишних часов способны всё изменить.
Ключевые факты
- ИИ-модель WeatherNext (Google DeepMind и Google Research) даёт синоптикам в среднем на сутки больше времени на прогноз циклонов: прогноз за три дня по точности равен прежнему прогнозу за два дня
- В октябре 2025 года модель за пять дней до выхода на сушу предсказала с 80-процентной уверенностью, что шторм ударит по Ямайке ураганом пятой категории, так и произошло с ураганом «Мелисса»
- Результаты опубликованы в четверг в статье в журнале Nature
- Модель обучили одновременно на данных о погоде в целом и о циклонах, данных по редким экстремальным событиям для отдельного обучения не хватает
- Исследователи отмечают: исторически продвижение прогноза на сутки вперёд занимало десятилетие работы
Почему это важно
Лишние сутки прогноза перед ударом урагана, это не техническая деталь, а реальное время на эвакуацию, переброску ресурсов и запасов. Директор Национального центра ураганов США Майк Бреннан говорит, что даже несколько лишних часов способны изменить исход, а получить целые сутки прогноза раньше, большая ценность. По словам исследователей, ранее такое продвижение точности на день вперёд обычно требовало десятилетия работы над моделями.
Кому это важно
В первую очередь, национальным метеослужбам и центрам прогноза ураганов вроде Национального центра ураганов США, которые принимают решения об эвакуации и распределении ресурсов. Также это касается властей и служб реагирования в прибрежных регионах, подверженных тропическим циклонам, на примере Ямайки и урагана «Мелисса» модель уже показала, как дополнительные сутки предупреждения помогают подготовиться к катастрофе.
Как это применить
В источнике нет данных о публичном доступе к WeatherNext или условиях его использования, известно, что модель разработана Google DeepMind и Google Research и что в октябре 2025 года она уже применялась при прогнозе урагана «Мелисса», за пять дней до удара дав 80-процентную уверенность в сценарии с ураганом пятой категории на Ямайке. Ключевой технический приём, обучение модели одновременно на большом массиве обычных погодных данных и на более скудных данных именно о циклонах, поскольку экстремальные события редки.
Можно ли доверять
Результат опубликован в рецензируемом журнале Nature, а его практическую ценность подтверждает независимый источник, директор Национального центра ураганов США Майк Бреннан, а не только авторы разработки. При этом в тексте нет точной календарной даты публикации (только «четверг»), нет отдельной числовой метрики точности за пределами показателя «сутки лишнего времени на прогноз», не названы соавторы статьи и не указано, с какой именно моделью или моделями сравнивали WeatherNext.
Риски и подводные камни
Главный ограничитель, нехватка данных: экстремальные погодные события редки по своей природе, и модель для циклонов пришлось доучивать на массиве обычных погодных данных. Пример с ураганом «Мелисса», это одна успешная демонстрация, а не полная статистика по всем циклонам сезона; статья в Nature даёт усреднённую оценку в одни лишние сутки, а не гарантию точности для каждого конкретного шторма. Источник также не раскрывает стоимость, источники финансирования разработки и то, когда WeatherNext создали и начали применять на практике.
«Время, это действительно золото, когда речь о таких решениях, так что возможность отодвинуть точный прогноз ещё на сутки дальше, чем мы могли раньше, это по-настоящему ценно.»
— Майк Бреннан, директор Национального центра ураганов США