Ang pagpapahula ng panahon ay gumagana sa parehong oras sa loob ng mga dekada. Ang mga tradisyonal na modelo ng numerikal na pagpapahula ng panahon ay kinokolekta ang data tuwing anim na oras, ginagawa ang malalaking simulasyon ng pisika, at binibigay ang mga resulta na ayon nang bahagya ay nakalipas na sa oras na basahin ito ng sinuman.
Noong Setyembre 3, 2026, inanunsyo ng Google DeepMind at Google Research ang WeatherNext 3, isang AI-powered na pandaigdigang modelo sa panahon na nagpapagawa ng mga taya bawat oras gamit ang mga live na obserbasyon mula sa geostationary satellite. Ito ang unang pandaigdigang modelo na nakakamit ng totoong hourly update cycles, at ang mga maagang benchmark ay nagpapakita na hindi lamang ito mas mabilis kundi mas malinaw na mas akurat kaysa sa mga dating modelo.
Ano talaga ang iba’t ibang ginagawa ng WeatherNext 3
Ang pangunahing inobasyon ay simpleng konsepto ngunit maliliit: sa halip na maghintay ng batch ng observational data na dumadating tuwing anim na oras, sinasakop ng WeatherNext 3 ang mga real-time satellite feed. Ibig sabihin nito, maaari itong mag-initialize ng bagong paunang-bahala bawat oras, nagbibigay sa mga meteorologo at sa mga industriya na nakasalalay sa kanila ng isang larawang mas malapit sa live ng atmospera.
Ipinapakita ng resolusyon ang magkakaparehong kuwento. Ang modelo ay nagtataglay ng spatial granularity hanggang 5 km para sa station-calibrated surface variables tulad ng temperatura at kahalumigmigan, 10 km para sa iba pang surface-level measurements, at 25 km para sa atmospheric variables. Ito ay halos limang beses na mas malinaw kaysa sa kanyang nakaraang bersyon, WeatherNext 2, na ipinakilala noong Nobyembre 2025.
Para sa pagbuhos, ang mga pagpapabuti ay mas malaki pa. Ang mga talaan ng ulan at niyebe ng WeatherNext 3 ay hanggang 50% mas tumpak kaysa sa mga nakaraang modelo para sa mga panahon ng pagbabala ng isang araw o higit pa, ayon sa Brier score at CRPS laban sa mga obserbasyon ng precipitasyon ng satellite na IMERG.
Ang modelo ay nagbuo ng 64-miyembro na ensemble forecast. Ang mga piliang forecast cycle ay umabot hanggang sa 15-araw na horizon, habang ang mga hourly interim runs ay nakakapalabas ng 48-oras na window.
Mula sa GraphCast hanggang WeatherNext 3: ang linia
Ang Google DeepMind ay sistematikong nagtatayo ng kanyang AI stack para sa panahon simula noong 2023, nang ipakilala nito ang GraphCast, isang modelo na nagpakita na ang machine learning ay maaaring magkasing-antas o lalong lalo na umabot sa tradisyonal na pagtataas na batay sa pisika para sa mga gitnang saklaw na pagtatala. Sumunod ang GenCast noong 2024, na nagdagdag ng mga kakayahan sa probabilistic ensemble. Dumating ang WeatherNext 2 noong Nobyembre 2025. Ang WeatherNext 3 ay kumakatawan sa susunod na lohikal na hakbang: gawing real-time ang buong pipeline sa pamamagitan ng direkta nang pagsasalubong sa mga stream ng obserbasyon mula sa satellite, imbes na magmumula sa mga pre-processed na analysis fields na nagdudulot ng latency.
Ang Operational WeatherBench ni Brightband, isang independiyenteng framework para sa pag-e-evaluate, ay nagrank ng WeatherNext 3 bilang pinakamalalim at pinakatumpak na global weather model na kasalukuyang available.
Ipapakita rin ng modelo ang partikular na lakas sa panahon ng mga ekstremong panahon. Ang paghuhula sa landas at intensidad ng bagyo ay isang partikular na larangan ng pagtutok.
Malinis na enerhiya at mga komersyal na aplikasyon
Ang WeatherNext 3 ay direktang tumutukoy sa mga variable ng hangin at liwanag ng araw, gawa ito ng direktang kapaki-pakinabang para sa mga operasyon ng renewable energy. Ipinapaloob ng Google ang mga output ng modelo sa Search, Maps, at Earth Engine. Para sa mga developer at mga mananaliksik, ang data ay ma-access sa pamamagitan ng BigQuery sa Google Cloud.
Ang 50% pagpapabuti sa akurasyo ng pag-ulan sa mga panahon na isang araw sa harap ay lalo na may kahalagahan para sa agrikultura, dahil ang panahon ng ulan ay mahalaga halos ganoon kagaling bilang dami ng ulan para sa pagpaplano sa agrikultura.