Google hat mit WeatherNext 2 ein neues, KI-basiertes Wettermodell vorgestellt, das von DeepMind und Research-Teams entwickelt wurde. Es soll schnellere, effizientere und genauere globale Wettervorhersagen mit höherer Auflösung liefern. WeatherNext 2 ist bereits in verschiedenen Google-Diensten im Einsatz und verspricht bahnbrechende Verbesserungen.
WeatherNext 2 zeichnet sich durch seine Geschwindigkeit und Effizienz aus. Das Modell kann Hunderte von möglichen Wetterszenarien in weniger als einer Minute mit einer einzigen TPU generieren. Es ist bis zu achtmal schneller als frühere Versionen. Die erhöhte Geschwindigkeit ermöglicht eine schnellere Anpassung an sich ändernde Wetterbedingungen.
Auch in Bezug auf die Genauigkeit überzeugt WeatherNext 2. Das Modell übertrifft das vorherige WeatherNext-Modell in 99,9 % der Variablen und Vorlaufzeiten. GenCast, ein weiteres KI-Modell von Google, soll in über 97 Prozent der Fälle bessere Vorhersagen liefern als das Europäische Zentrum für mittelfristige Wettervorhersagen (EZMW).
GenCast wurde mit Wetterdaten aus vier Jahrzehnten des ECMWF trainiert und bezieht über 80 Variablen zu den Gegebenheiten in der Atmosphäre und am Boden ein.
WeatherNext 2 ist auf Earth Engine und BigQuery verfügbar, mit frühem Zugriff auf Vertex AI von Google Cloud. Es wird bereits in der Suche, Gemini, Pixel Weather und der Weather API der Google Maps Platform verwendet. Die Unterstützung für Maps soll in Kürze folgen, womit Google seine Wettervorhersagen weiter in seine Dienste integriert.
Die KI-Modelle lernen globale Wettermuster aus historischen Wetterdaten. GenCast wurde beispielsweise mit Wetterdaten aus vier Jahrzehnten des ECMWF trainiert. Google hat mit NeuralGCM ein weiteres KI-Tool für Wettervorhersagen bis zu 15 Tagen entwickelt, welches bereits vorhandene Vorhersagemodelle verknüpft.
Die Modelle können zur Vorhersage von Niederschlägen, Waldbränden, Überschwemmungen und extremer Hitze eingesetzt werden. Sie sollen auch zur Erkennung von Klimaveränderungen und zur Erstellung langfristiger Klimaprognosen dienen können.
NeuralGCM soll im Vergleich zum EZMW-System weniger Ressourcen benötigen und quelloffen zur Verfügung gestellt werden, was die Forschung und Weiterentwicklung im Bereich der Wettervorhersage fördert.
Es ist wichtig zu beachten, dass Google noch keine unabhängigen Überprüfungen der Leistungsansprüche von WeatherNext 2 im Vergleich zum ECMWF High Resolution (HRES) Modell oder anderen KI-Systemen wie GraphCast und Pangu-Weather veröffentlicht hat. Eine unabhängige Validierung der Ergebnisse steht noch aus.
