WeatherNext 3、衛星観測を直接取り込み、全球確率天気予報を毎時更新

Google DeepMindとGoogle ResearchはWeatherNext 3を発表し、全球AI天気予報を「数値予報モデルが生成した解析場の学習」から、観測データを直接取り込む段階へと進めた。システムは毎時、11チャンネル、解像度0.1度の静止気象衛星モザイク画像を読み込み、ERA5およびECMWF HRESの解析データと組み合わせる。6時間ごとに初期化されるWeatherNext 2と比べ、新モデルは1時間ごとに予報を再初期化でき、急速に発達する降水事象に対して平均約2～3時間の実効的なリードタイムを確保する。

アーキテクチャの中核は引き続きFunctional Generative Networkだが、共有の正二十面体グリッドTransformerは24層・768次元から32層・1024次元へと拡張された。解像度や更新頻度の異なる各データには個別のエンコーダーとデコーダーを設け、共通の処理グリッドへマッピングする。学習解像度は1度から0.25度、さらに0.1度へと段階的に高められる。グリッド場に加え、独立した出力ヘッドにより、降水量、熱帯低気圧の進路、任意の座標における地表付近の気温と露点をネイティブに予測でき、従来のダウンスケーリング処理を別途実行する必要がない。

論文では2024年のデータを用いて評価し、中層・上層の変数に関する確率予報スコアがWeatherNext 2に対して平均約5%向上したとしている。これは、同等の精度を保ちながら予報リードタイムを約6時間延長したことに相当する。また、学習に使われていない観測地点では、短期の地上2メートル気温のCRPSが最大30%改善した。Googleはすでに、このモデルをSearch、Gemini、Maps、Google Maps Platform Weather API、Earth Engineに組み込んでいる。

ただし、これらの数値は慎重に解釈する必要がある。一部の比較ではHRES由来の場を真値として使用しており、補間方法が高解像度モデルに有利に働く可能性がある。強雨のサンプル数は少なく、改善は主に降雨あり／なしのしきい値付近に集中している。論文も、アンデス山脈、ヒマラヤ山脈、極域の海洋など、観測データが乏しい地域にバイアスがあること、一部の出力が6時間間隔の境界で不連続に変動すること、熱帯低気圧のアンサンブルが不確実性を過小評価する傾向があることを認めている。次に注目すべきは、独立したリアルタイム評価において、極端気象や学習データの分布外にある地域でも優位性を維持できるかどうかだ。