WeatherNext 3 aktualizuje prognozy co godzinę. Jak pomagają satelity Google’a?

Google WeatherNext 3 tworzy nową globalną prognozę co godzinę, korzystając bezpośrednio z aktualnych obrazów satelitarnych. Dla wybranych zmiennych powierzchniowych Google podaje rozdzielczość 5 km (ale nie jest to uniwersalny parametr całego systemu). Model działa już za kulisami Wyszukiwarki, Gemini i Map, a jego dane trafiają również do usług chmurowych. Niezależny Operational WeatherBench Brightband pokazuje mocne wyniki, choć nie daje gwarancji poprawności dla przewidywania pojedynczej burzy czy generowania lokalnego ostrzeżenia.

Najważniejsze informacje

• WeatherNext 3 przyjmuje 12 najnowszych godzinowych mozaik z satelitów geostacjonarnych oraz dane analityczne używane w meteorologii operacyjnej.
• Model może rozpoczynać nową prognozę co godzinę, zamiast czekać na tradycyjny cykl sześciogodzinny.
• Google podaje 5 km dla kluczowych zmiennych powierzchniowych, 10 km dla innych pól powierzchniowych i 25 km dla części zmiennych atmosferycznych.
• Brightband raportuje najniższy błąd temperatury na wysokości 2 m w 26 z 30 dni sierpnia dla globalnych prognoz 1–7 dni.
• Od 3 września 2026 r. wdrożenie obejmuje Search, Gemini, Maps, Maps Platform Weather API, Earth Engine, BigQuery i Google Cloud Storage.

Co zmieniają bieżące dane satelitarne?

Większość wcześniejszych globalnych modeli AI uczyła się i startowała z tzw. analiz numerycznych. To uporządkowane siatki opisujące stan atmosfery, przygotowane przez klasyczne systemy prognozowania pogody. Są niezwykle użyteczne, ale ich produkcja i udostępnienie zajmują czas. Praca WeatherNext 3 podaje, że najnowszy taki stan może być operacyjnie opóźniony o 6–12 godzin.

WeatherNext 3 nie rezygnuje z analiz, lecz uzupełnia je 12 kolejnymi mozaikami z satelitów geostacjonarnych. Najświeższa jest dostępna z opóźnieniem poniżej godziny. Pozwala to lepiej śledzić szybko rozwijające się fronty, chmury i układy opadowe oraz uruchamiać nową prognozę co godzinę.

Częstszy start prognozy nie oznacza automatycznie większej pewności. Jeżeli dane wejściowe są niepełne albo zjawisko rozwija się w skali mniejszej od rozdzielczości modelu, nowy przebieg nadal może się mylić. Atutem jest krótsza droga od obserwacji do aktualizacji, nie gwarancja trafnego przewidzenia każdego zdarzenia.

5 km, 10 km czy 25 km?

Komunikat Google z 3 września opisuje kilka poziomów szczegółowości. Kluczowe zmienne przy powierzchni, takie jak temperatura i wilgotność, mogą być przedstawiane na siatce 5 km. Inne zmienne powierzchniowe mają 10 km, a pola atmosferyczne, na przykład wiatr na poziomach ciśnienia, 25 km.

Źródło: Google i praca WeatherNext 3; stan na 9 września 2026 r.

Paper doprecyzowuje, że regularne pola pojedynczego poziomu są tworzone w rozdzielczości 0,1°, czyli około 10–11 km. Osobna głowica stacyjna może natomiast wyznaczać temperaturę na 2 m i punkt rosy dla dowolnego miejsca i czasu z uwzględnieniem lokalnych cech geograficznych. To prawdopodobne źródło części bardziej szczegółowych prezentacji, ale nie należy z niego wyciągać wniosku, że każdy parametr atmosfery jest globalnie liczony co 5 km.

Jak działa probabilistyczna prognoza AI?

WeatherNext 3 wykorzystuje architekturę Functional Generative Network opartą na transformatorze działającym na siatce. Model nie tworzy tylko jednego „najbardziej prawdopodobnego” przebiegu pogody. Generuje zestaw scenariuszy, z których można oszacować rozkład ryzyka: na przykład prawdopodobieństwo określonej temperatury, opadu lub trajektorii cyklonu.

Takie podejście jest ważne, bo atmosfera jest układem chaotycznym. Niewielka niepewność stanu początkowego rośnie wraz z horyzontem prognozy. Zamiast ukrywać ją za jedną linią, prognoza zespołowa pokazuje kilka możliwych dróg. Temu zagadnieniu poświęciliśmy wcześniej tekst o modelu GenCast.

WeatherNext 3 ma też wyspecjalizowane wyjścia dla opadów, torów cyklonów, stacji oraz energetyki odnawialnej. Prognozuje wiatr na wysokości 100 m, istotny dla turbin, a także zachmurzenie i promieniowanie słoneczne przydatne operatorom fotowoltaiki.

Opady: mocne liczby ale od Google’a

Opad jest jednym z najtrudniejszych elementów prognozy. Chmury konwekcyjne i gwałtowne ulewy rozwijają się szybko oraz lokalnie. Google trenowało WeatherNext 3 między innymi na satelitarnym zbiorze NASA IMERG i własnej globalnej reanalizie opadów opartej na radarze satelitarnym.

Firma raportuje poprawę Continuous Ranked Probability Score do 60% względem IMERG, 30% względem MRMS i 10% względem deszczomierzy dla wczesnych horyzontów. CRPS ocenia cały rozkład prognozy probabilistycznej, a niższa wartość jest lepsza. Podane procenty pochodzą z ewaluacji zespołu Google i dotyczą różnych celów weryfikacji, dlatego nie powinny być traktowane jak jedna uniwersalna miara.

Google deklaruje również do 50% trafniejsze prognozy opadów w produktach konsumenckich przy planowaniu dnia lub dalej, z największymi korzyściami w regionach dotąd słabiej obsługiwanych. Komunikat nie zawiera jednak pełnej tabeli regionów, horyzontów i baz porównawczych dla tej liczby.

Co naprawdę pokazuje niezależny ranking Brightband

Brightband informuje, że WeatherNext 3 został liderem Operational WeatherBench. W sierpniu model regularnie wyprzedzał rywali, a dla temperatury na 2 m osiągnął najniższy błąd w 26 z 30 dni. Zestawienie dotyczy globalnej prognozy w horyzoncie 1–7 dni.

To niezależny pomiar, ale nie jest wolny od założeń. Metodologia Brightband korzysta z otwartej biblioteki WeatherBench-X stworzonej przez Google Research. WeatherNext 3 jest inicjalizowany analizą ECMWF IFS i wobec niej weryfikowany, podczas gdy inne systemy mogą być porównywane z własną analizą. Taki wybór ogranicza systematyczne przesunięcia, lecz utrudnia sprowadzenie całości do jednego bezwarunkowego rankingu.

Wynik zależy od zmiennej, regionu, metryki, horyzontu i sposobu agregacji. Model prowadzący dla globalnej temperatury może nie być najlepszy dla lokalnego opadu, porywu wiatru albo konkretnego miasta. Brightband sam zaznacza, że dashboard służy badaniom i rozwojowi, a nie zastępuje oficjalnych prognoz i ostrzeżeń.

Gdzie jest dostępny WeatherNext 3?

Google rozpoczęło wdrożenie 3 września w Wyszukiwarce, aplikacji Gemini, Google Maps, Google Maps Platform Weather API i Google Earth Engine. Firmy i badacze mogą wysyłać zapytania do danych w BigQuery i Earth Engine albo pobierać je hurtowo z Google Cloud Storage. Nie trzeba samodzielnie uruchamiać modelu.

To ważne rozróżnienie: użytkownik Search lub Maps widzi przetworzoną prognozę produktu, analityk otrzymuje pola danych, a badacz czyta opis modelu. Zakres, opóźnienie, format i warunki użycia mogą być inne na każdym poziomie. Google nie podało w komunikacie osobnego cennika WeatherNext 3; usługi chmurowe i interfejsy podlegają własnym planom.

Wdrożenie globalne ma szczególne znaczenie dla miejsc, gdzie brakuje gęstej infrastruktury regionalnej. Satelity zapewniają regularne pokrycie Ameryki Łacińskiej, Afryki i Azji-Pacyfiku, ale nie usuwają problemów terenowych, jakości lokalnych stacji ani dostępności danych. Szerszy kontekst zastosowań opisuje nasz materiał o AI w meteorologii, a wcześniejsze wykorzystanie modeli fundacyjnych w naukach o Ziemi — tekst o współpracy NASA i IBM.

Czego nie gwarantuje WeatherNext 3?

Wyższa rozdzielczość pomaga zobaczyć wpływ wybrzeża, doliny lub pasma górskiego, lecz siatka 5–25 km nadal nie opisuje każdego lokalnego wiru czy chmury burzowej. Godzinne odświeżanie zmniejsza wiek części danych wejściowych, ale nie czyni atmosfery deterministyczną. Prognoza probabilistyczna mówi o ryzyku, nie o pewności.

Nie jest to również kompletny zamiennik klasycznych modeli fizycznych. WeatherNext 3 korzysta z analiz tworzonych przez systemy numeryczne, a jego niezależna ocena wykorzystuje ECMWF IFS jako punkt odniesienia. Badania AI i meteorologii operacyjnej coraz bardziej się łączą, zamiast działać w dwóch oddzielnych światach.

W Polsce ostrzeżenia o burzach, powodzi, silnym wietrze czy upale należy nadal sprawdzać w komunikatach IMGW-PIB i lokalnych służb. Sam Google umieszcza takie zastrzeżenie w polskim materiale o premierze.

Od modelu do infrastruktury pogodowej

Najciekawsze w WeatherNext 3 jest połączenie trzech warstw: surowych obserwacji satelitarnych, modelu probabilistycznego i dystrybucji przez produkty używane codziennie przez miliardy osób. Częstszy cykl oraz osobne wyjścia dla stacji, opadów i energii rozwiązują praktyczne ograniczenia wcześniejszych modeli AI.

Jednocześnie premiera wymaga precyzyjnego czytania liczb. Rozdzielczość 5 km dotyczy wybranych zmiennych, poprawy opadów są wynikami Google, a pozycja Brightband ma konkretną metodologię i zakres. WeatherNext 3 wygląda jak istotny krok w stronę globalnej infrastruktury prognozowania AI — nie jak maszyna, która „wie, jaka będzie pogoda” w każdym miejscu.