على عكس النماذج التقليدية التي تستخدم الخصائص الفيزيائية في موقع ما لمحاكاة العمليات الفيزيائية، فإن نماذج التعلم الآلي هي إلى حد كبير صناديق سوداء تتدرب على الأنماط السابقة وتخرج توقعات للأنماط المستقبلية. لكن Weather Next 3 يضيف قدرًا صغيرًا من المعلومات الفيزيائية لحساب درجة حرارة السطح ونقطة الندى في أي موقع محدد تريد استعراضه. يتحقق مما إذا كانت تلك النقطة أرضًا أم محيطًا ويستخدم ارتفاع سطحها. من خلال التدريب على بيانات محطات الطقس السابقة الموسومة بتلك المعلومات، يقول الفريق إنهم يحصلون على توقعات أفضل.

بعض الغرائب: تُظهر الورقة البيضاء بعض النتائج لتوثيق تحسينات أداء التوقعات مقارنة بـ Weather Next 2، وكذلك نموذج الذكاء الاصطناعي للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF). يلاحظون تحسنًا بنحو 5 بالمائة في دقة ظروف الغلاف الجوي العلوي مقارنة بنموذجهم السابق، على سبيل المثال، والذي يقولون إنه يعادل حوالي ست ساعات إضافية من وقت التوقع الدقيق. وتغييرهم لحساب درجة حرارة السطح لموقع محدد حسن الدقة بنسبة تصل إلى 30 بالمائة. وهم يتفوقون عمومًا على نموذج ECWMF في هذه المقاييس أيضًا.

هناك استثناء غريب لا تخمن الورقة سببه حتى. بالنسبة لعدد من المتغيرات، تُظهر مقارنتهم بالتوقع الأولي لست ساعات قادمة من النماذج الأخرى أن Weather Next 3 يؤدي أسوأ قبل أن يتقدم لبقية توقع مدته 15 يومًا. الأنماط واسعة النطاق ليست أيضًا خالية من بعض الغرابة. يمكنك رؤية شكل شبكة النموذج في بعض التوقعات، مثل خريطة هطول الأمطار التي تظهر بعض الكتل السداسية المميزة.

بشكل عام، يقول الفريق إن نموذجهم الجديد "يمثل خطوة كبيرة إلى الأمام لتوقعات الطقس القائمة على الذكاء الاصطناعي من خلال تجاوز الاعتماد فقط على التحليل واستخدام بيانات مراقبة كثيفة المعلومات ومنخفضة الكمون." أصبح Weather Next 3 الآن مصدر معلومات التوقعات عبر خدمات Google، بما في ذلك Search وGemini وMaps.

الكيانات الرئيسية: الشركات: Google، ECMWF