«حذف معادلات فیزیکی»؛ راهکار گوگل برای پیش‌بینی ساعتی آب‌وهوا

تصور کنید اپلیکیشن هواشناسی شما به‌جای به‌روزرسانی هر چند ساعت یک‌بار، با همان سرعت یک رادار زنده تغییر کند. گوگل با معرفی WeatherNext 3 این رویا را به واقعیت تبدیل کرده و پیش‌بینی‌های جوی را از دنیای معادلات سخت به دنیای الگوهای داده‌ای منتقل کرده است.

این مدل جدید، شبیه‌سازی‌های سنتی فیزیک را کنار گذاشته تا الگوهای آب‌وهوایی را مستقیماً از داده‌های زنده ماهواره‌ای بیاموزد. این چرخش معماری اجازه می‌دهد پیش‌بینی‌ها هر ساعت تولید شوند و تأخیر ۶ ساعته‌ای که در مدل‌های عددی پیش‌بینی هوا (NWP) — شبیه به یک ماشین‌حساب غول‌پیکر که ساعت‌ها روی یک مسئله پیچیده فکر می‌کند — رایج بود، به‌طور کامل حذف شود.

گذار از مدل‌های عددی (NWP) به داده‌های زنده

پیش‌بینی‌های سنتی هواشناسی بر معادلات پیچیده فیزیکی تکیه دارند که اغلب در مواجهه با متغیرهای سریع‌التغییر، مانند بارش، دچار مشکل می‌شوند. مدل‌های قبلی هوش مصنوعی، از جمله WeatherNext 2، بر اساس داده‌های حاصل از مدل‌های NWP آموزش دیده بودند. گوگل اشاره می‌کند که این شبیه‌سازی‌ها دارای تأخیرهایی هستند که منجر به بروز خطا در پیش‌بینی دما و میزان بارش می‌شود.

همان‌طور که در تحلیل قبلی ما درباره‌ی چرخه سریع استقرار ابزارهای هوش مصنوعی گوگل (مانند Lyria 3.5) اشاره کردیم، این شرکت اکنون سرعت مشابهی را در علوم مقیاس سیاره‌ای پیاده می‌کند. تصور کنید دنیایی را که در آن اپلیکیشن هواشناسی شما به‌جای به‌روزرسانی هر چند ساعت یک‌بار، با سرعت یک اسکن راداری به‌روز شود.

طبق گزارش ۶ سپتامبر ۲۰۲۶ از وب‌سایت the-decoder.com، مدل WeatherNext 3 جزئیات را ۵ برابر بیشتر از نسل قبلی خود نمایش می‌دهد. این دستاورد در مقایسه‌ی جامع این مدل با ابرکامپیوترهای سنتی بررسی شده که نشان می‌دهد چگونه پیش‌بینی‌های محلی وارد عصر جدیدی شده‌اند. این مدل از یک سیستم شبکه‌ای با وضوح متغیر (Multi-resolution grid) استفاده می‌کند:

وضوح ۵ کیلومتر: برای دمای سطح و رطوبت.
وضوح ۱۰ کیلومتر: برای سایر متغیرهای سطحی.
وضوح ۲۵ کیلومتر: برای مقادیر اتمسفری مانند سرعت باد.

هوش مصنوعی ویرنکست ۳ گوگل: پیش‌بینی آب‌وهوا مستقیماً از تصاویر ماهواره‌ای بدون شبیه‌سازی فیزیکی

ارتقای جزئیات محلی

این مدل با آموزش روی مجموعه داده‌های IMERG ناسا و تحلیل‌های راداری ماهواره‌ای گوگل، توانسته است ویژگی‌های محلی مانند خطوط ساحلی، دره‌ها و پستی‌وبلندی‌های زمین را به‌دقت ثبت کند. همچنین با استفاده از داده‌های تک‌تک ایستگاه‌های هواشناسی، شرایط منطقه‌ای را بازتاب می‌دهد. این یک جهش بزرگ نسبت به WeatherNext 2 است که از شبکه درشت ۲۵ کیلومتری استفاده می‌کرد و رشته‌کوه‌ها را به شکل بلوک‌های نامنظم و پیکسلی نشان می‌داد.

گوگل این تفاوت را با پیش‌بینی دما در بریتانیا نشان می‌دهد؛ جایی که مدل قبلی نقشه‌ای پیکسلی ارائه می‌داد، اما نسخه ۳ contours یا خطوط دقیق زمین را ثبت می‌کند. در مورد بارش‌های شمال غرب اقیانوس آرام نیز، مدل جدید باندهای باریک باران را بسیار تیزتر و با دقت بیشتری نمایش می‌دهد که این نتایج بسیار نزدیک‌تر به مشاهدات واقعی رادار است.

مدل WeatherNext 3 گوگل شبیه‌سازی فیزیکی را کنار گذاشته و مستقیماً از داده‌های ماهواره‌ای زنده یاد می‌گیرد.

معیارهای بارش و انرژی

در زمینه بارش، نتایج خیره‌کننده است. امتیاز CRPS (یک معیار سنجش دقت پیش‌بینی) بهبودهایی تا ۶۰ درصد نسبت به IMERG، ۳۰ درصد نسبت به MRMS و ۱۰ درصد نسبت به باران‌سنج‌ها در بازه‌های زمانی کوتاه را نشان می‌دهد.

علاوه بر باران، این مدل داده‌های حیاتی برای انرژی‌های تجدیدپذیر فراهم می‌کند:

توان بادی: پیش‌بینی سرعت باد در ارتفاع ۱۰۰ متری (تقریباً ارتفاع توربین‌ها) برای تخمین دقیق خروجی مزارع بادی.
توان خورشیدی: ارائه مقادیر دقیق پوشش ابر و تابش خورشیدی برای محاسبه میزان تولید برق مورد انتظار.

این قابلیت‌ها به اپراتورهای شبکه برق کمک می‌کند تا تعادل بین عرضه و تقاضا را به‌طور مؤثرتری مدیریت کنند.

این تغییر نشان‌دهنده یک روند گسترده‌تر در هوش مصنوعی زاینده (Generative AI) — مثل هنرمندی که به‌جای یادگیری قوانین تئوری رنگ، با دیدن میلیون‌ها تابلو یاد می‌گیرد چطور نقاشی کند — است: حرکت از «فیزیک-محور» به سمت «داده-محور». گوگل با تبدیل اتمسفر به یک مسئله تشخیص الگو به‌جای یک مسئله حساب دیفرانسیل، پیش‌بینی‌های با وضوح بالا را دموکراتیزه کرد. مناطقی در آفریقا، آمریکای لاتین و آسیا-پاسیفیک که پیش از این توان محاسباتی برای مدل‌های فیزیکی گران‌قیمت منطقه‌ای را نداشتند، اکنون به داده‌های محلی دقیق دسترسی دارند.

یکپارچه‌سازی و میراث تکنولوژیک

برای کاربر نهایی، این یعنی پیش‌بینی بارش برای یک روز آینده یا بیشتر، تا ۵۰ درصد دقیق‌تر شده است. این به‌روزرسانی‌ها هم‌اکنون در Google Search، Gemini، Google Maps، Google Maps Platform Weather API و Google Earth Engine فعال شده‌اند. پژوهشگران و کسب‌وکارها نیز می‌توانند داده‌ها را از طریق BigQuery استعلام کنند یا آن‌ها را از Google Cloud Storage دانلود نمایند.

این مدل ادامه مسیری است که با GenCast در اواخر ۲۰۲۴ آغاز شد؛ اولین مدل احتمالی هوش مصنوعی که توانست از سیستم Ensemble مرکز ECMWF پیشی بگیرد. سپس WeatherNext 2 در نوامبر ۲۰۲۵ معرفی شد که در ۹۹.۹ درصد متغیرها بر نسل اول پیروز شد و در حالی که روی یک TPU واحد اجرا می‌شد، ۸ برابر سریع‌تر بود. در اوت ۲۰۲۶ نیز گوگل لایسنس‌های باز مدل WeatherNext 2 و مدل WeatherNext Cyclones را منتشر کرد؛ مدل دومی که مسیر و شدت طوفان‌های گرمسیری را با دقت و بازه زمانی بیشتری نسبت به مدل‌های عملیاتی پیشرو پیش‌بینی می‌کند.

اگرچه اتمسفر ذاتاً غیرقابل پیش‌بینی است، اما سرعت این خط لوله داده‌ای پیروزی واقعی گوگل است. گوگل همچنان کاربران را برای هشدارهای ایمنی رسمی به سازمان‌های ملی هواشناسی ارجاع می‌دهد، اما کاربرد تجاری آن برای لجستیک و انرژی فوری است.

باید منتظر بود و دید که این رویکرد «اول-داده» چگونه به سایر علوم فیزیکی، مانند اقیانوس‌شناسی یا پایش لرزه‌ای منتقل می‌شود؛ حوزه‌هایی که داده‌های حسگرهای بلادرنگ در آن‌ها فراوان است اما مدل‌های فیزیکی کند عمل می‌کنند.

گام بعدی شما

اگر در حوزه انرژی‌های تجدیدپذیر فعال هستید، APIهای جدید گوگل مپ را برای تخمین دقیق‌تر تولید برق بررسی کنید.
برای تحلیل‌های اقلیمی محلی، داده‌های باز WeatherNext 2 را در Google Cloud Storage تست کنید.
تغییرات در دقت پیش‌بینی بارش‌های محلی را در Gemini با رادارهای زنده منطقه خود مقایسه کنید.

اما داستان انتقال این رویکرد داده-محور به علوم دیگر حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی کاربرد مدل‌های الگو-محور در لرزه‌شناسی مراجعه کنید.

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما