本記事はAIを利用して作成した技術解説・実装例です。掲載するコードや手順は一次情報を基に構成していますが、筆者による実機での動作確認は行っていません。環境やバージョンによって動作が異なる場合があります。
Google DeepMindおよびGoogle Researchから発表された「WeatherNext 3」は、従来の大規模な物理シミュレーションに依存せず、リアルタイムの観測データを用いて高精度かつ高解像度な予測を行う最先端のグローバル気象AIモデルです。本記事では、公開された一次情報に基づき、そのモデルのアーキテクチャ、データ処理の特徴、そしてエコシステムへの展開について整理します。
WeatherNext 3の概要と背景
気象情報は、日常の傘の準備から、農業、サプライチェーン、クリーンエネルギーの生産、国家経済に至るまで、数多くの意思決定に影響を与えます。近年、AIは過去の気象記録を活用することで従来手法よりも迅速な予測を実現してきましたが、局所的かつ急速に変化する気象の予測には課題がありました。
従来モデルでは、空間解像度が不足したり、衛星などのリアルタイムデータを取り込むことが難しいという問題がありました。WeatherNext 3は、こうした課題に対して直接リアルタイムの観測データから学習するアプローチを採用し、タイムリーでより地域に根ざした予測を提供します。独立したライブ評価においても高い精度が示されています。
アーキテクチャとシステム構成
一次情報では、WeatherNext 3のシステムアーキテクチャやデータフローについて説明されています。以下のMermaid図は、一次情報に記載されているコンポーネントと情報の流れを示したものです。
flowchart TD
A[Live 1-hour Geostationary Satellite Mosaics] --> C[Functional Generative Network FGN Mesh Transformer]
B[Traditional Historical Analysis] --> C
C --> D[Dense Gridded Fields]
C --> E[Discrete Cyclone Tracks]
C --> F[Station-level Sparse Coordinates]
この構成では、1時間ごとのリアルタイム静止衛星モザイクと従来の過去の解析データを組み合わせて、単一の柔軟なFunctional Generative Network（FGN）メッシュトランスフォーマーに入力します。これにより、高密度なグリッドフィールド、離散的なサイクロン（台風・低気圧）の経路、さらにステーションレベルのスパースな座標をネイティブに予測します。
解像度と更新頻度の向上
予測の有用性は、時間と空間の細かさ（解像度）に大きく依存します。WeatherNext 3では、複数の空間解像度で1時間ごとの予測を生成し、広域な大気の大まかな風のパターンから地域の地形に至るまで一貫性を保ちます。
表面変数（気温や湿度など）: 5キロメートル解像度で可視化。
その他の表面変数: 10キロメートル解像度。
大気変数（風速など）: 25キロメートル解像度。
前身であるWeatherNext 2が25キロメートルグリッドで6時間おきに予測を行っていたのに対し、WeatherNext 3は全体として約5倍シャープな地球規模の気象画像を提供します。
リアルタイム衛星データとスパース観測の活用
多くのAI気象モデルは、数値予報（NWP）モデルからのデータで訓練されています。NWPモデルはスーパーコンピューター駆動の複雑な物理シミュレーションですが、約6時間のデータラグが生じるため、雨や表面温度のような急速に変化する変数においてバイアスを引き起こす原因となります。
WeatherNext 3では、以下の仕組みによってこの課題に対応しています。
リアルタイム衛星モザイクの取り込み: 継続的に更新される大気のビューを獲得し、最新の衛星観測に基づいた1時間ごとの予測生成を実現。
スパースな気象観測データの利用: 海岸線や谷、山脈などの近隣地域では気温や湿度が数キロメートルの範囲で劇的に変動するため、WeatherNext 3は気象観測所のスパースなデータ直接用いて訓練を行います。これにより、地形の細部を考慮した5キロメートルグリッドのグローバル予測が可能になり、従来の高解像度モデルが維持できなかった中南米、アフリカ、アジア太平洋地域などの恩恵をもたらします。
クリーンエネルギー向け変数と降水予測の精度向上
クリーンエネルギー生産への対応
解像度と更新頻度の向上に加え、クリーンエネルギー生産専用の予測機能が導入されています。タービン高に相当する100メートルの風速を予測して風力発電出力を正確に見積もるほか、高解像度の雲量や日射量を予測し、太陽光発電所が地上で受ける光の量を推定する支援を行います。
降水予測の精度向上
雨や雪のシステムは小規模で高速に移動する雲のプロセスに起因するため、従来の物理シミュレーションではぼやけた推定や激しい嵐の境界の看過が発生しやすかった分野です。 WeatherNext 3では、NASAのIMERG（Integrated Multi-satellite Retrievals for GPM）や衛星レーダーに基づくグローバル降水再解析データなど、高品質な2つのソースを用いて学習を行っています。これにより、連続ランク確率スコア（CRPS）などの評価において、初期リードタイムの降雨量測定で大きな改善が示されています。
Googleエコシステムへの統合と利用方法
WeatherNext 3は、ラボの成果にとどまらず、Googleのコアエコシステムおよび関連サービスに統合されています。
高解像度予測データ: モデルの設定不要でワークフローに統合できるグローバル気象予測を提供。研究者や開発者、企業はBigQueryやEarth Engineでデータをクエリし、Google Cloud Storageから一括ダウンロードが可能。
グローバル展開: Google検索、Geminiアプリ、Google Maps、Google Maps Platform Weather API、Google Earth Engineにおいて気象体験を強化。長期予測の精度が最大50%向上し、過去に予測の信頼性が低かった地域で大きな改善をもたらします。
利用時の注意
一次情報にも記載されている通り、公式の気象予報、気象警報、および公共の安全に関する勧告については、現地の気象機関や国営の気象サービスの情報を参照することが推奨されています。
参考情報
source_title: Introducing WeatherNext 3, our most advanced and accurate global weather AI model
source_url: https://deepmind.google/blog/introducing-weathernext-3-our-most-advanced-and-accurate-global-weather-ai-model/
コメント