物理的プロセスをシミュレートするために場所の物理的特性を使用する従来のモデルとは異なり、機械学習モデルは大部分がブラックボックスであり、過去のパターンでトレーニングし、将来のパターンの予測を出力します。しかし、Weather Next 3 は、表示したい特定の場所の地表温度と露点を計算するために、少しの物理情報を追加しています。その地点が陸地か海洋かをチェックし、その地表標高を使用します。その情報でタグ付けされた過去の気象観測所データでトレーニングすることにより、チームはより良い予測が得られると述べています。

いくつかの奇妙な点：ホワイトペーパーには、Weather Next 2 および欧州中期予報センター（ECMWF）の AI モデルに対する予報性能の改善を文書化するためのいくつかの結果が示されています。例えば、彼らは以前のモデルと比較して上層大気の状態の精度が約 5 パーセント 向上したと述べており、これは約6時間の正確な予報リードタイムの増加に相当すると述べています。また、特定の場所の地表温度を計算する変更により、精度は最大 30 パーセント 向上しました。これらの指標でも一般的に ECWMF モデルを上回っています。

紙面が原因を推測さえしない奇妙な例外が1つあります。多くの変数について、他のモデルの最初の6時間先予報との比較では、Weather Next 3 は15日間の予報の残りの部分でリードする前に悪化しています。より大規模なパターンにも奇妙さがないわけではありません。いくつかの予測ではモデルのグリッドの形状が見えます。例えば、降水マップには明確な六角形のブロブがいくつか表示されます。

全体として、チームは新しいモデルが「分析に純粋に依存するのを超えて、情報密度が高く低遅延の観測データを利用することで、AIベースの天気予報の大きな前進を表している」と述べています。Weather Next 3 は現在、Search、Gemini、Maps を含む Google サービス全体で予報情報のソースとなっています。

主要エンティティ：企業：Google、ECMWF