Google DeepMind、気象観測データで学習した WeatherNext 3 を公開

AI による気象モデルは過去 3 年間で物理ベースの予測との差を縮めてきましたが、2 つの課題が未解決のまま残っていました。1 つ目は解像度が粗く局地的な地形に対応しきれないこと、2 つ目は数値天気予報（NWP）解析に依存した初期化で、そのデータが約 6 時間遅れて届いてしまうことです。

Google DeepMind と Google Research が発表した「WeatherNext 3」は、これらの課題を同時に解決します。生きた全球静止衛星のモザイク画像を直接モデル入力として取り込み、1 時間ごとに初期化し、生データである気象観測値（再解析グリッドのみならず）に対して学習を行うことで、0.05°（約 5km）解像度の予報を出力します。Google AI によると、独立したライブ評価を行った Brightband によれば、これは過去最高精度の全球気象モデルとしてランクされています。

実用化は可能でしょうか？部分的には可能です。許可リストへの登録申請が通れば、BigQuery、Earth Engine、Cloud Storage を介して予報データを利用できます。ただし、WeatherNext 3 の重み（ウェイト）はオープンソースではなく、オンデマンドのカスタム推論では依然として WeatherNext 2 が使用されています。

アーキテクチャと入力

WeatherNext 3 は、WeatherNext 2 で導入された確率的なファミリーに属する「機能的生成ネットワーク（FGN）メッシュトランスフォーマー」です。これはマルチ解像度出力に対応するようにスケールアップされました。入力は生きた全球静止衛星のモザイク画像と、ECMWF HRES 解析データです。学習には ERA5/HRES-fc0、NASA の IMERG、気象観測値、および衛星モザイクが活用されています。

多くの AI 予報モデルは、数値天気予報（NWP）の再解析データを学習対象としています。しかし、このデータには海岸線や谷、山岳地帯が生み出す局所的な変動が平滑化されてしまっており、現実を正確に反映できていません。

WeatherNext 3 は、こうした課題に対処するため、生データである観測ステーションの測定値を直接学習対象としました。その結果、0.05°（約 5km）解像度の気温や露点温度の出力は、モデルが想定する大気の状態ではなく、実際に計測器が記録した値にキャリブレーションされています。

解像度と更新頻度

単一の順方向計算で、3 つの階層が生成されます。まず 0.05°（約 5km）解像度の地上 2m 地点における気温と露点温度は、観測ステーションデータに特化して学習されています。次に 0.1°（約 10km）解像度では、地上 10m と 100m のグリッド状の風速、気圧、海面水温、雲層、太陽放射、そして 1 時間降水量が算出されます。さらに 0.25°（約 25km）解像度では、13 段階の気圧レベルにわたる大気場データが出力されます。

前世代の WeatherNext 2 は 6 時間ごとの更新で 0.25°解像度のフィールドを生成していましたが、WeatherNext 3 の「約 5 倍シャープ」という主張は、この解像度の向上に基づいています。

次に重要なのが更新頻度（ケデンス）の改善です。本モデルは 1 日 24 回初期化されます。00、06、12、18 UTC の主要な分析サイクルでは、64 個のアンサンブルメンバーを用いて最大 15 日間（360 時間）の予報を生成します。また、中間的な時間解像度として、1 時間ごとの更新で 48 時間の予報も提供されます。

急速に発達する対流現象に対しては、現在の衛星観測に基づいて 1 時間ごとに更新される仕組みは、過去の分析データに依存して 6 時間ごとに行われるサイクルとは明確に異なります。

降水とクリーンエネルギー関連変数

全球モデルが歴史的に苦手としてきたのが降水予測で、結果として嵐の境界を見逃すぼやけたフィールドを生成してしまっていました。WeatherNext 3 は、ECMWF の再解析データ、NASA の IMERG 衛星観測値、そして Google 独自の衛星・レーダーに基づく降水再解析という 3 つの降水ソースに対して学習を行います。Google が発表した評価によると、初期予測段階では IMERG と比較して CRPS（連続順位確率スコア）が最大 60% 改善し、MRMS では 30%、雨量計データでは 10% の向上が見られました。また、別の実験では NWP ベースラインと比較した場合、IMERG を基準に Brier スコアと CRPS が最大で 50% 削減されたことも報告されています。

再生可能エネルギー分野において、このモデルは風力タービンのハブ高さに相当する 100 m の風速、低・中・高雲の完全な分布データ、そして太陽放射の両成分（SSRD と FDIR）を出力します。これらの情報を組み合わせることで、電力系統運営者は需要に対して風力と太陽光の発電量を予測することが可能になります。これは、今回のリリースが単なるベンチマーク表の向上を目指すものではなく、実務的な運用者や購入者を明確に意識したものであることを示す最も明白な証拠と言えます。

重要なポイント

• 生きた静止衛星データに基づく毎時初期化により、従来の NWP（数値予報）分析で必要だった 6 時間の遅延が解消されました。
• 1 つの推論パスで多解像度出力を実現：0.05°の観測点変数、0.1°のグリッド表面データ、0.25°の気圧レベル。
• 64 メンバーのアンサンブル予測。UTC の 00/06/12/18 時サイクルで 15 日先まで、中間の毎時ランでは 48 時間先までの予測が可能です。
• Google の評価によると、初期予測段階では IMERG と比較して降水の CRPS が最大 60% 改善しました。

データへのアクセスは要請により開放されていますが、モデル自体の重み（weights）を公開するオープンウェイト形式ではありません。

論文と技術詳細はこちらをご覧ください。また、Twitter でフォローしていただくと幸いです。150k+ML の SubReddit への参加や、ニュースレターの購読もぜひご検討ください。

Telegram をご利用の方は、こちらからコミュニティにご参加いただけます。

GitHub リポジトリの紹介、Hugging Face ページの宣伝、製品リリース、ウェビナーなどのご協力をご希望の場合は、お気軽にお問い合わせください。

本記事は MarkTechPost にて公開された「Google DeepMind の WeatherNext 3 が気象観測データで学習し、5km グローバル予報を毎時更新して提供」という内容です。