Todos nós fomos apanhados por uma previsão vaga de fim de semana. Você verifica seu telefone num sábado de manhã, veja uma previsão genérica de possíveis chuveiros na região de Victoria ou na costa de Nova Gales do Sul, decida lavar seu carro ou planejar uma viagem, e em duas horas uma célula tempestade descarregada despeja chuva direta & hellip; Todos nós fomos apanhados por uma previsão vaga de fim de semana. Você verifica seu telefone num sábado de manhã, vê uma previsão genérica de possíveis chuveiros na região de Victoria ou na costa de Nova Gales do Sul, decide lavar seu carro ou planejar uma viagem, e em duas horas uma célula tempestade descarregada despeja chuva direto sobre o seu telhado. O problema central sempre foi a resolução e o tempo. Os modelos meteorológicos globais tradicionais olham para o mundo através de grades grossas e atualizam apenas algumas vezes por dia. O Google está procurando mudar essa dinâmica com WeatherNext 3, seu mais recente modelo de previsão meteorológica de referência desenvolvido pelo Google DeepMind e Pesquisa do Google. O modelo está agora a ser executado através do Google Search, Google Maps, o aplicativo móvel Gemini e as ferramentas de nuvem empresarial. Ele traz três atualizações principais ao seu bolso: atualizações de previsão novas geradas a cada hora, uma resolução espacial apertada de cinco quilômetros, e previsões de precipitação que o Google afirma estar até 50 por cento mais preciso nos tempos de execução de 24 horas ou mais. Para entender por que este é um passo em frente notável, você tem que olhar para como as previsões meteorológicas do computador funcionam tradicionalmente. A maioria dos sistemas globais depende de simulações físicas massivas executadas em supercomputadores governamentais. Porque essas equações matemáticas demoram horas para se fazer cruck, os modelos normalmente ingerem novas observações e cuspim uma nova previsão global apenas quatro vezes por dia, aproximadamente a cada seis horas. A geração anterior, WeatherNext 2, operado no mesmo ciclo de seis horas e visualizado a atmosfera em um 25 - grade de quilômetro. Se uma tempestade tinha apenas cinco quilômetros de largura, o modelo essencialmente a borrou em todo o distrito. TempoPróximo 3 altera tanto a velocidade como o detalhe.
Ele ingere mosaicos de satélite geoestacionários vivos e dados atmosféricos convencionais para executar 24 ciclos de previsão separados todos os dias. A maior execução em 00, 06, 12, e 18 UTC cuidado 15 dias à frente, enquanto as rodadas intermediárias por hora produzem rápido 48 -Oportunidades táticas de hora. Sob o capuz, um 64 - o conjunto de membros corre em paralelo, dando probabilidades de diferentes cenários meteorológicos em vez de apenas supor um único resultado. No mapa visual, variáveis de superfície chave como temperatura e umidade agora resolvem até cinco quilômetros. Campos de superfície mais amplos se sentam em 10 quilômetros, enquanto as métricas atmosféricas mais elevadas como ventos de nível superior permanecem em 25 quilômetros. O Google calcula que esta abordagem em camadas torna a imagem local aproximadamente cinco vezes mais afiada do que antes. A arquitetura subjacente é construída em um transformador de rede gerativa funcional de malha. A etiqueta técnica à parte, o avanço importante é o que o Google alimentou o sistema durante o treinamento. A maioria dos modelos meteorológicos IA mais iniciais aprenderam a prever o tempo simplesmente copiando grades de reanálise produzidas pelos supercomputadores tradicionais. Eles estavam essencialmente imitando o software de física. TempoPróximo 3 quebra esse padrão treinando diretamente sobre dados de observação brutos e escassos coletados das estações meteorológicas físicas no solo. Ao aprender com as leituras de estações do mundo real, o Google encontrou o modelo reduziu significativamente os erros de temperatura locais. Em testes de referência contra estações de terra independentes, WeatherNext 3 melhorada precisão de temperatura de dois metros de curto alcance até 30 por cento comparado com o tempoNext 2, e por 40 por cento comparado com o sistema de conjunto padrão do Centro Europeu de Previsão de Tempos de Média- Ângulo (ECMWF). їUm dos principais desenvolvimentos é para [TempoPróximo 3 ] para ir além dos dados que a maioria dos modelos globais de IA treina.. A chuva sempre foi o desafio mais difícil para meteorologistas.
A acumulação repentina de tempestades e chuveiros costeiros ocorrem rapidamente em áreas estreitas, o que significa que as grades de física grossa muitas vezes as perdem inteiramente ou espalham a chuva uniformemente por centenas de quilômetros quadrados. Para dar o meteorológicoPróximo 3 melhor olhar para chuvas, o Google treinou- o no sistema de precipitação por satélite IMERG NASAÏs, juntamente com dados de reanálise de radar proprietários. Em testes globais de médio alcance, o Google gravou melhorias do escore de probabilidade posicionada contínua até 60 por cento contra o IMERG, 30 por cento contra grades de radar terrestre dos EUA, e 10 por cento contra estações de medidores de chuva em horários de antecedência. Para usuários diários, o Google traduz isso em um 50 porcentagem de aumento na precisão da previsão de chuva um ou dois dias à frente. Pontos de referência independentes na tabela de classificação Operacional WeatherBench pela Brightband fazem backup da habilidade geral do modelo, mostrando que os sistemas de aprendizagem automática estão agora indo de pé a pé com supercomputadores tradicionais. A modelagem regional de alta resolução tem sido tradicionalmente cara. Executar simulações físicas detalhadas do tempo requer recursos de cálculo maciços, razão pela qual modelos globais historicamente tratavam a Austrália e o Hemisfério Sul mais amplo com previsões grossas e de escova larga. A implantação de um modelo global livre, horário, de cinco quilômetros, muda a equação. Os australianos já viram exemplos iniciais de aprendizado automático que superam modelos padrão. Quando o ex-ciclone tropical Alfred rastreou em direção ao sudeste do Queensland em março 2025, DeepMind Ìs arquitetura anterior GraphCast mapeou com precisão projeções de caminho de longo alcance dias antes de vários modelos tradicionais de física pegarem. TempoPróximo 3 agora incorpora o rastreamento de pistas de ciclones diretamente em suas saídas automatizadas. Ao mesmo tempo, é importante manter as expectativas embasadas. AustraliaÕs Bureau of Meteorologia usa a aprendizagem de máquina para ajudar com a calibração de dados, mas suas previsões públicas e avisos oficiais de tempos graves permanecem ancorados em modelos dinâmicos físicos. TempoPróximo 3 não é um serviço de alerta de emergência, e não é um substituto para avisos oficiais de tempestade, inundação ou incêndio de mato do FBI.
Em vez disso, ele atua como uma camada de inteligência digital mais nítida dentro dos aplicativos milhões de australianos já abertos todos os dias. O valor real do tempoPróximo 3 Se situa bem entre verificações ocasionais de smartphones e uso industrial pesado. Para a agricultura, um cultivador de grãos na região de Nova Gales do Sul ou Victoria recebe uma visão horaria muito mais apertada das janelas de chuvas localizadas antes de comprometer máquinas para uma colheita. Para o setor de energia renovável, o Google tem construído suporte direto para variáveis de energia limpa. Em vez de depender de velocidades eólicas genéricas ao nível do solo, os operadores de parques eólicos podem consultar 100 - projeções de vento de altura- hub diretamente. Gerentes de fazendas solares podem acessar radiação solar de superfície para baixo, irradiação de raio direto e frações de nuvem distintas divididas em altitudes baixas, médias e altas..Como as necessidades de energia do Google, mas [também] toda a humanidade, está aumentando suas necessidades de energia, para ter certeza de que tornamos renovável uma oportunidade muito atraente é muito importante para nós.. Operadores de energia, desenvolvedores e equipes de dados podem puxar estes conjuntos de dados operacionais diretamente através do BigQuery e do Google Earth Engine, ou baixar o total 64 - conjunto de membros do armazenamento na nuvem no formato Zarr sem barreiras de licenciamento personalizadas. Para a maioria dos consumidores, o lançamento está acontecendo nos bastidores da busca no Google, nos pinos da rota do Google Maps e no assistente do Gemini. Quando você perguntar ao Gemini se um evento ao ar livre vai ser chuvado, ou verifique o pino do tempo para uma cidade costeira no Google Maps, os dados que alimentam essa resposta são atualizados horarialmente a partir de um 5 modelo km em vez de a cada seis horas de um 25 km de grade.. A atmosfera sempre manterá um grau de imprevisibilidade. No entanto, treinando em observações do mundo real e não passando por restrições tradicionais de modelagem, WeatherNext 3 nos aproxima de um futuro onde as previsões realmente correspondem ao que está acontecendo no solo.. O teste final para qualquer ferramenta meteorológica é simples: a previsão da chuva no seu telefone corresponde ao que realmente cai na sua entrada? Revigorando cada 60 minutos e afiação da resolução local para baixo para cinco quilômetros, WeatherNext 3 dá ao Google uma chance muito mais forte de obter essa chamada correta. Para mais informações, dirija-se ao Google DeepMind.