Els models numèrics de previsió meteorològica tradicionals depenen de dades d'observació que arriben amb un retard d'unes sis hores, un límit que els models d'IA de previsió del temps —com els predecessors WeatherNext de Google DeepMind— ja havien començat a escurçar sense arribar a eliminar-lo del tot. Cada nova generació d'aquests models ha buscat, sobretot, guanyar resolució i rapidesa d'actualització sense perdre precisió.
El 3 de setembre, Google DeepMind ha presentat WeatherNext 3, que diu que és el seu model meteorològic global «més avançat i precís» fins ara. La novetat principal és que incorpora directament imatges de satèl·lits geoestacionaris en temps real, cosa que li permet actualitzar les prediccions cada hora amb una resolució de fins a 5 quilòmetres, sense el retard de sis hores dels sistemes numèrics clàssics. Segons avaluacions independents fetes per Brightband, el model millora fins a un 60% la puntuació de probabilitat de precipitació respecte al conjunt de dades de satèl·lit IMERG de la NASA, i ofereix prediccions de pluja fins a un 50% més precises a un dia o més vista, amb els guanys més grans a regions amb poca infraestructura meteorològica pròpia. El model ja s'integra al Cercador de Google, l'aplicació Gemini, Google Maps, l'API de Maps Platform Weather i Google Earth Engine, i incorpora també noves variables per a energies renovables, com la velocitat del vent a 100 metres d'alçada i estimacions de radiació solar.
La notícia és rellevant perquè aquest tipus de model pot millorar l'avís primerenc en zones del món amb poca infraestructura meteorològica pròpia, i perquè les noves variables de vent i radiació solar poden ajudar a planificar millor parcs eòlics i solars en un moment d'expansió accelerada de les renovables. Forma part, també, d'una tendència més àmplia en què els models d'IA per a meteorologia comencen a competir de tu a tu amb els grans centres de previsió numèrica tradicionals.
Les xifres de millora provenen, en bona part, de les pròpies avaluacions de Google, tot i que aquest cop validades per una entitat independent com Brightband, cosa que hi dona més garanties que en llançaments anteriors. Cal tenir en compte, però, que l'actualització horària depèn de la cobertura de satèl·lits geoestacionaris, desigual arreu del món, i que un model d'aprenentatge automàtic com aquest continua sent, en bona part, una caixa negra el comportament de la qual en fenòmens extrems o poc freqüents encara no s'ha posat a prova tant com el dels models físics clàssics.