เปิดตัว WeatherNext 3 โมเดล AI พยากรณ์อากาศโลกที่แม่นยำและละเอียดที่สุดจาก Google

ในทุกๆ วัน สภาพอากาศมีอิทธิพลต่อการตัดสินใจของผู้คนนับพันล้านครั้ง ตั้งแต่เรื่องง่ายๆ อย่างการหยิบร่มก่อนออกจากบ้าน ไปจนถึงเรื่องที่มีผลกระทบในวงกว้างอย่างแรงลม ปริมาณฝน และเหตุการณ์สภาพอากาศสุดขั้ว เช่น คลื่นความร้อนและภัยแล้ง ซึ่งส่งผลกระทบต่อเนื่องถึงภาคการเกษตร ห่วงโซ่อุปทานโลก การผลิตพลังงานสะอาด และเศรษฐกิจระดับประเทศ

ในช่วงไม่กี่ปีที่ผ่านมา AI ได้เข้ามาปฏิวัติการพยากรณ์อากาศโดยใช้ข้อมูลย้อนหลังเพื่อทำนายผลได้รวดเร็วและแม่นยำกว่าวิธีดั้งเดิม อย่างไรก็ตาม การพยากรณ์อากาศในระดับท้องถิ่นที่เปลี่ยนแปลงอย่างรวดเร็วยังคงเป็นความท้าทาย เนื่องจากโมเดลรุ่นก่อนๆ มักขาดความละเอียดเชิงพื้นที่และไม่สามารถรวมข้อมูลสภาพอากาศแบบเรียลไทม์จากแหล่งต่างๆ เช่น ดาวเทียม ได้อย่างมีประสิทธิภาพ

วันนี้ Google DeepMind และ Google Research ขอแนะนำ WeatherNext 3 โมเดลพยากรณ์อากาศโลกที่ล้ำสมัยและแม่นยำที่สุดในปัจจุบัน อ้างอิงจาก การประเมินสด โดย Brightband องค์กรอิสระ โดยโมเดลนี้เรียนรู้โดยตรงจากการสังเกตการณ์แบบเรียลไทม์ ทำให้พยากรณ์เหตุการณ์สำคัญได้อย่างทันท่วงทีและเฉพาะเจาะจงพื้นที่มากขึ้น ผ่านการประมวลผลข้อมูลดิบจากดาวเทียมเพื่อรายงานผลทุกชั่วโมงด้วยความละเอียดสูงในทุกผลิตภัณฑ์ของ Google ทั่วโลก

การพยากรณ์อากาศที่รวดเร็วด้วยความละเอียดที่ไม่เคยมีมาก่อน

ประสิทธิภาพของการพยากรณ์ขึ้นอยู่กับความละเอียดของข้อมูลทั้งในแง่เวลาและสถานที่ WeatherNext 3 จึงถูกออกแบบมาให้สร้างการพยากรณ์รายชั่วโมงในความละเอียดเชิงพื้นที่หลายระดับ โดยยังคงความสอดคล้องทางกายภาพ ตั้งแต่กระแสลมระดับโลกไปจนถึงสภาพภูมิประเทศในท้องถิ่น

ด้วย WeatherNext 3 เราสามารถวิเคราะห์ตัวแปรพื้นผิวที่สำคัญ เช่น อุณหภูมิและความชื้น ได้ที่ความละเอียด 5 กิโลเมตร ส่วนตัวแปรพื้นผิวอื่นๆ อยู่ที่ 10 กิโลเมตร และตัวแปรในชั้นบรรยากาศอย่างความเร็วลมที่ 25 กิโลเมตร ซึ่งเมื่อรวมกันแล้วจะให้ภาพรวมสภาพอากาศโลกที่คมชัดกว่า WeatherNext 2 รุ่นเดิมถึงประมาณ 5 เท่า จากเดิมที่พยากรณ์บนตารางขนาด 25 กิโลเมตร ทุกๆ 6 ชั่วโมง

รูปที่ 1: สถาปัตยกรรมระบบ WeatherNext 3 แบบครบวงจร (end-to-end) โมเดลรับข้อมูลภาพรวมดาวเทียมค้างฟ้า (geostationary satellite) แบบสดราย 1 ชั่วโมง ร่วมกับการวิเคราะห์ประวัติศาสตร์แบบดั้งเดิม เพื่อป้อนเข้าสู่ Functional Generative Network (FGN) mesh transformer ตัวเดียวที่มีความยืดหยุ่น โดยจะส่งออกเป็นฟิลด์ตารางที่หนาแน่น เส้นทางพายุไซโคลนที่แยกจากกัน และพยากรณ์พิกัดที่กระจัดกระจายในระดับสถานีตรวจอากาศโดยกำเนิด

รูปที่ 2: การเปรียบเทียบการพยากรณ์อุณหภูมิที่ระดับ 2 เมตรเหนือพื้นที่สหราชอาณาจักร ระหว่าง WeatherNext 2 (ซ้าย) ที่ความละเอียด 25 กิโลเมตร เทียบกับ WeatherNext 3 (ขวา) ที่ความละเอียดระดับ 5 กิโลเมตร ซึ่งแสดงรายละเอียดสภาพภูมิประเทศในท้องถิ่นที่ซับซ้อนได้อย่างชัดเจน ไม่แตกเป็นเม็ดพิกเซลหรือเรียบจนเกินไปเหมือนโมเดลรุ่นเก่า

ข้อมูลโลกจริงในระดับโลกอย่างต่อเนื่อง

จุดเด่นสำคัญของ WeatherNext 3 คือแหล่งข้อมูลที่ใช้ในการเรียนรู้ โดยโมเดล AI ส่วนใหญ่รวมถึง WeatherNext 2 มักถูกฝึกด้วยข้อมูลจากโมเดลพยากรณ์อากาศเชิงตัวเลข (NWP) ซึ่งเป็นการจำลองทางฟิสิกส์ที่ต้องใช้ซูเปอร์คอมพิวเตอร์และมีการดีเลย์ของข้อมูลนานถึง 6 ชั่วโมง ส่งผลให้เกิดความคลาดเคลื่อนในตัวแปรที่เปลี่ยนเร็ว เช่น ฝนหรืออุณหภูมิพื้นผิว

การหันมาใช้ข้อมูลภาพจากดาวเทียมค้างฟ้าระดับโลกแบบสด ทำให้โมเดลใหม่ได้รับมุมมองชั้นบรรยากาศที่อัปเดตต่อเนื่อง สามารถสร้างพยากรณ์ใหม่ได้ทุกชั่วโมงจากข้อมูลล่าสุดที่ความละเอียดสูงสุด 5 กิโลเมตร ซึ่งมีความสำคัญมากเมื่อเกิดพายุหรือระบบฝนที่ก่อตัวกะทันหัน ช่วยให้การตอบสนองต่อวิกฤตสภาพอากาศทำได้รวดเร็วและมีข้อมูลที่ละเอียดขึ้น

นอกจากนี้ ตัวแปรอย่างอุณหภูมิและความชื้นที่ผันผวนตามสภาพภูมิประเทศ เช่น ชายฝั่ง หรือ หุบเขา มักเป็นจุดอ่อนของโมเดลแบบดั้งเดิมที่ขาดรายละเอียดเชิงลึก WeatherNext 3 จึงเปลี่ยนมาฝึกสอนจากสถานีตรวจอากาศโดยตรง เพื่อให้พยากรณ์อากาศโลกบนตาราง 5 กิโลเมตรสะท้อนความเป็นจริงของภูมิภาคได้แม่นยำที่สุด

ความสำเร็จนี้เป็นประโยชน์อย่างยิ่งสำหรับพื้นที่ในละตินอเมริกา แอฟริกา และเอเชียแปซิฟิก ซึ่งเดิมทีเข้าถึงการพยากรณ์ความละเอียดสูงได้ยากเนื่องจากข้อจำกัดด้านงบประมาณซูเปอร์คอมพิวเตอร์ การพัฒนานี้จึงช่วยให้ประชากรนับพันล้านและธุรกิจท้องถิ่นเข้าถึงข้อมูลที่แม่นยำได้ทัดเทียมกัน

โมเดลนี้ยังออกแบบมาเพื่อรองรับภาคพลังงานหมุนเวียนโดยเฉพาะ โดยสามารถพยากรณ์ความเร็วลมที่ระดับความสูง 100 เมตร (ระดับของกังหันลม) เพื่อประเมินผลผลิตพลังงาน รวมถึงพยากรณ์ปริมาณเมฆและความเข้มของรังสีดวงอาทิตย์ความละเอียดสูง ช่วยให้โซลาร์ฟาร์มและผู้ควบคุมระบบโครงข่ายไฟฟ้าสามารถวางแผนการผลิตไฟฟ้าให้สอดคล้องกับความต้องการของผู้บริโภคได้อย่างแม่นยำ

การพยากรณ์หยาดน้ำฟ้าด้วยความแม่นยำระดับก้าวกระโดด

การพยากรณ์ฝนและหิมะ (หยาดน้ำฟ้า) เป็นเรื่องยากสำหรับโมเดลระดับโลก เนื่องจากการก่อตัวของเมฆเคลื่อนที่เร็วและมีขนาดเล็กเกินกว่าที่การจำลองทางฟิสิกส์แบบเดิมจะทำนายได้แม่นยำ ส่งผลให้พยากรณ์จาก AI ทั่วไปมักจะเบลอหรือระบุขอบเขตพายุผิดพลาด เพื่อแก้ปัญหานี้ เราได้ใช้แหล่งข้อมูลหยาดน้ำฟ้าคุณภาพสูงสองแหล่ง คือ ข้อมูล IMERG จากดาวเทียม NASA และข้อมูลวิเคราะห์ซ้ำจากเรดาร์ดาวเทียมของ Google เอง ทำให้คะแนนความแม่นยำ (CRPS) เพิ่มขึ้นอย่างมีนัยสำคัญ โดยดีขึ้นถึง 60% เมื่อเทียบกับ IMERG และ 30% เมื่อเทียบกับ MRMS ในการพยากรณ์ระยะปานกลาง

รูปที่ 3: การเปรียบเทียบการพยากรณ์ความน่าจะเป็นของหยาดน้ำฟ้าระยะปานกลาง WeatherNext 2 (ซ้าย) แสดงผลแบบฟุ้งกระจาย ขณะที่ WeatherNext 3 (กลาง) ที่ความละเอียด 11 กิโลเมตร สามารถจับภาพแถบการพาความร้อนของระบบอากาศได้คมชัดและใกล้เคียงกับความเป็นจริงจากดาวเทียม (ขวา) มากกว่า

งานวิจัยที่นำไปใช้ทั่วทั้งระบบนิเวศ

เป้าหมายของเราคือการทำให้ความฉลาดทางสภาพอากาศเกิดประโยชน์ในวงกว้าง ไม่ว่าจะเป็นเจ้าหน้าที่กู้ภัยที่ต้องติดตามทิศทางลม นักบินที่วางแผนเส้นทางบิน หรือเกษตรกรที่ดูแลผลผลิต เราจึงนำ WeatherNext 3 ออกจากแล็บสู่การใช้งานจริงผ่านระบบนิเวศของ Google ดังนี้:

• ข้อมูลพยากรณ์ความละเอียดสูง: เปิดให้นักวิจัยและภาคธุรกิจเข้าถึงข้อมูลผ่าน BigQuery, Earth Engine หรือดาวน์โหลดจาก Google Cloud Storage ได้โดยตรงผ่าน WeatherNext Data
• พร้อมใช้งานทั่วโลก: WeatherNext 3 จะเริ่มขับเคลื่อนข้อมูลใน Google Search, Gemini, Google Maps และ Weather API ตั้งแต่วันนี้ โดยจะช่วยให้การวางแผนล่วงหน้าแม่นยำขึ้น เช่น การพยากรณ์ฝนล่วงหน้า 1 วัน จะแม่นยำขึ้นถึง 50% โดยเฉพาะในพื้นที่ที่เคยเข้าถึงข้อมูลได้ยาก

แม้ชั้นบรรยากาศจะมีความไม่แน่นอนเสมอ แต่ WeatherNext 3 ที่ฝึกฝนจากข้อมูลจริงได้ก้าวข้ามข้อจำกัดเดิมๆ และทำให้การพยากรณ์ใกล้เคียงกับสิ่งที่เกิดขึ้นจริงบนพื้นดินมากที่สุดเท่าที่เคยมีมา

เรียนรู้เพิ่มเติมเกี่ยวกับงาน AI และภูมิสารสนเทศได้ที่ Google Earth Engine, AlphaEarth Foundations และ Earth AI

ข้อความปฏิเสธความรับผิดชอบ: สำหรับการพยากรณ์อากาศอย่างเป็นทางการและคำเตือนภัยพิบัติ โปรดอ้างอิงข้อมูลจากหน่วยงานอุตุนิยมวิทยาในท้องถิ่นหรือบริการสภาพอากาศแห่งชาติของคุณเป็นหลัก

เรียนรู้เพิ่มเติมเกี่ยวกับ WeatherNext 3

• อ่านรายงานวิจัยของเรา
• สร้างผลงานด้วย WeatherNext 3
• สำรวจ Weather Lab เพื่อดูภาพจำลองเรียลไทม์
• ตรวจสอบอันดับบน ตารางผู้นำสด ของ Brightband