DeepMind открыла данные погодного ИИ: обнаружение дождя лучше эталона NASA на 30%
DeepMind открыла данные, на которых учила погодную ИИ-модель WeatherNext 3: часовую спутниковую мозаику SatWeave и карту осадков PARDIG. На слабых и умеренных дождях PARDIG находит дождь более чем на 30% лучше IMERG-Final, эталонного набора осадков NASA. Карта строится с шагом 15 минут и разрешением около 10 км, даже где нет радаров. Разработчикам это готовая основа для моделей паводков и засух.
AI-обработка оригинала DeepMind Blog; редакция Hamidun News
Чтобы предсказать погоду, мало хорошей нейросети: нужно знать, что творится над планетой прямо сейчас и сколько дождя на самом деле выпало. С этим сложно: радары и дождемеры есть не везде, а спутники снимают каждый по-своему. Google DeepMind решила открыть именно эту часть кухни.
Команда WeatherNext выложила два набора данных, на которых построена её новая погодная ИИ-модель WeatherNext 3: SatWeave (часовая спутниковая картина всего мира) и PARDIG (карта осадков по всей планете). Главная цифра релиза касается PARDIG. Он обнаруживает слабые и умеренные дожди более чем на 30% лучше, чем IMERG-Final, то есть эталонный набор оценок осадков от NASA, на который опираются многие приложения.
Представьте приложение для агрострахования: если старый набор данных пропускает каждый третий дождь или рисует ливни там, где было сухо, выплаты считаются неверно. Новая карта такие промахи сокращает. Обе коллекции доступны и как исторический архив, и как «живая» лента.
SatWeave: единая картинка Земли из разных спутников
Проблема знакомая любому, кто склеивал данные из нескольких источников. Планету снимают разные геостационарные спутники: американские GOES-East и GOES-West, европейские Meteosat, японский Himawari. У каждого свои картографические проекции, форматы файлов, датчики и расписание съёмки: кадр приходит раз в 10–30 минут. Поэтому готовых глобальных мозаик мало, а те, что есть, обычно обрезаны: четыре канала или меньше либо обновление раз в несколько часов.
SatWeave сводит всё в одну карту мира в 17 каналах: видимый свет, водяной пар и инфракрасный диапазон. Обновляется она раз в час. Для WeatherNext 3 это важно: модель получает свежий взгляд на формирующиеся облака и шторма, а не опирается на данные анализа, которые многие модели обновляют лишь раз в шесть часов. Открыты часовая лента и архив глубиной больше десяти лет. В DeepMind отдельно называют идеи для применения: прогноз выработки солнечных электростанций и мониторинг лесных пожаров.
PARDIG: карта осадков там, где нет радаров
Второй датасет решает другую задачу. Точно измерить осадки можно наземными радарами и густой сетью дождемеров, но они есть далеко не везде. Над океанами, в горах и во многих развивающихся странах покрытие скудное.
PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) обходит это ограничение. Модель, архитектурно похожая на WeatherNext 3, учится напрямую на редких измерениях космического радара NASA GPM Core Observatory. На вход она получает снимки SatWeave и атмосферные поля центра ECMWF. На выходе получается карта осадков всей планеты с шагом 15 минут и разрешением около 10 км. Свежие данные приходят со средней задержкой около пяти часов.
Проверка шла по трём континентальным радарным сетям (США, Европа, Япония) и более чем по 36 тысячам метеостанций. По заявлению DeepMind, PARDIG опережает ведущие глобальные аналоги на всех уровнях интенсивности дождя, включая IMERG-Final. Те самые 30% измерены метрикой Critical Success Index: она показывает, насколько часто почасовой прогноз совпал с радаром, и штрафует как пропущенные дожди, так и ложные тревоги. Отдельно отмечено, что модель лучше справляется с экстремальными ливнями, которые глобальные продукты часто пропускают. Показательный пример: июльские наводнения 2025 года в Техасе, где PARDIG сравнивали с наземным радаром NOAA и с IMERG-Final.
Исторический архив PARDIG охватывает период с 1999 по 2026 год.
Что с этим делать и какие оговорки
Для разработчиков и исследователей это редкий случай, когда обучающие данные топ-лаборатории лежат в открытом доступе. Данные размещены в Google Cloud Storage, а исторический каталог PARDIG доступен ещё и в Google Earth Engine. Они подойдут, чтобы обучать собственные модели паводков, оползней и засух, особенно для регионов без плотных радарных сетей. Подойдут и для прикладных сервисов: от энергетики до агрострахования.
Оговорки тоже есть. Разрешение около 10 км заметно грубее наземного радара: на примере с техасскими наводнениями радар NOAA даёт примерно 1 км. Для локальных городских задач PARDIG не замена радару, а способ закрыть белые пятна. Утверждение о надёжности «в любой точке Земли» остаётся ожиданием авторов: в регионах без наземных измерений его нечем проверить напрямую. Все цифры сравнения пока приведены самой DeepMind, независимых тестов в материале нет. Наконец, это данные для специалистов по геоданным: чтобы с ними работать, нужны навыки обработки спутниковых растров.
Тем не менее шаг заметный. Спутниковая мозаика с часовым обновлением и глобальная карта осадков на много лет назад становятся общедоступной инфраструктурой, а не внутренним ресурсом Google.
- 22 нояб. 2026 г.Хобби-проект LangChain за четыре года стал стартапом за $3 млрд и привлёк $300 млн
- 22 нояб. 2026 г.Рабочий профиль Android закрыл утечку реального IP, которую не ловят Happ и v2rayNG
- 22 нояб. 2026 г.Databricks обсуждает раунд при оценке $225 млрд, почти на 20% выше августа
- 21 нояб. 2026 г.Amazon дала бесплатного ИИ-агента AWS Quick с Claude, платный Plus — $25 в месяц
Вопросы и ответы по материалу
Что известно по теме: SatWeave: единая картинка Земли из разных спутников?
Проблема знакомая любому, кто склеивал данные из нескольких источников. Планету снимают разные геостационарные спутники: американские GOES-East и GOES-West, европейские Meteosat, японский Himawari. У каждого свои картографические проекции, форматы файлов, датчики и расписание съёмки: кадр приходит раз в 10–30 минут. Поэтому готовых глобальных мозаик мало, а те, что есть, обычно обрезаны: четыре канала или меньше либо обновление раз в несколько часов.
Что известно по теме: PARDIG: карта осадков там, где нет радаров?
Второй датасет решает другую задачу. Точно измерить осадки можно наземными радарами и густой сетью дождемеров, но они есть далеко не везде. Над океанами, в горах и во многих развивающихся странах покрытие скудное. PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) обходит это ограничение. Модель, архитектурно похожая на WeatherNext 3, учится напрямую на редких измерениях космического радара NASA GPM Core Observatory. На вход она получает снимки SatWeave и атмосферные поля центра ECMWF.
Что известно по теме: что с этим делать и какие оговорки?
Для разработчиков и исследователей это редкий случай, когда обучающие данные топ-лаборатории лежат в открытом доступе. Данные размещены в Google Cloud Storage, а исторический каталог PARDIG доступен ещё и в Google Earth Engine. Они подойдут, чтобы обучать собственные модели паводков, оползней и засух, особенно для регионов без плотных радарных сетей. Подойдут и для прикладных сервисов: от энергетики до агрострахования. Оговорки тоже есть.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.