A Google DeepMind frissítette mesterséges intelligencián alapuló időjárási modelljét, amelyet WeatherNext 3 néven mutattak be. A DeepMind szerint az új verzió részletesebb előrejelzéseket ad hőmérséklet, páratartalom és szélerősség tekintetében, elsősorban a betanításhoz használt új adatoknak köszönhetően.
Pontosság és felbontás
A WeatherNext 3 óránként képes előrejelzéseket készíteni, és a DeepMind állítása szerint a felbontás 25 kilométeres négyzetrácsról 5 kilométeresre javult. Az óránként frissülő, nagy felbontású rács lehetővé teszi a finomabb helyi változások — például páratartalom-változások — jobb lekövetését.
Műholdas és egyéb adatforrások
A modell nem kizárólag a hagyományos numerikus időjárás-előrejelző rendszerekre támaszkodik: valós idejű műholdas adatokat is feldolgoz, amelyekről a DeepMind azt írja, hogy „gazdag, folyamatosan frissülő rálátást adnak a légkörre”. Emellett a ritkábban elhelyezkedő meteorológiai állomások adatait is integrálja, ami különösen hasznos a helyi, kilométeres léptékű változók, például a páratartalom pontosabb előrejelzéséhez.
A WeatherNext 3 a NASA csapadékadatainak és a Google saját műholdas elemzéseinek egyesítésével dolgozik, amitől a DeepMind szerint hatékonyabb lesz az eső és a hó előrejelzése.
Megújuló energiára gyakorolt haszon
A DeepMind kiemeli, hogy az új modell különösen hasznos lehet a megújuló energia-termelésre szakosodott vállalatok számára. A WeatherNext 3 képes előre jelezni a 100 méteres magasságban várható szélsebességet is, ami fontos lehet a szélturbinák tervezése és üzemeltetése szempontjából. Emellett a modell magas felbontású felhőtakarási és napsugárzás-adatokat szolgáltat, amelyek hasznosak a napelemfarmok várható termelésének becsléséhez.
Hozzáférés és integráció
A Google beépíti az új modellt a keresőjébe, a Gemini termékbe és a Google Térképbe. Emellett az alkalmazásprogramozási interfészen (API) keresztül a fejlesztők más szolgáltatásokba is integrálhatják a WeatherNext 3-at.
Források és megjegyzés
A fejlesztésről az Engadget számolt be; a DeepMind közlései szerint a modell pontosításához használt új adatok és a műholdas források jelentősen hozzájárulnak a magasabb térbeli és időbeli felbontáshoz.
