WeatherNext Cyclones er en AI-vejrmodel, der i publicerede test gav mindst ét døgns gennemsnitlig prognosefordel for tropiske cykloners bane, styrke og vindudbredelse. Modellen kan danne 1.000 mulige forløb, men resultaterne er forskningsbaseret prognosestøtte og erstatter ikke meteorologers vurderinger eller officielle varsler.
WeatherNext Cyclones gav i publicerede test mindst ét døgns gennemsnitlig prognosefordel for tropiske cykloners bane, styrke og vindudbredelse. Modellen viser, hvordan store AI-ensembler kan støtte meteorologer, men også hvorfor lokal validering, myndighedsvarsler og menneskelig beslutningskontrol fortsat er nødvendige.
Hvad offentliggjorde Google DeepMind den 6. august 2026?
Google DeepMind offentliggjorde WeatherNext Cyclones sammen med en forskningsartikel i Nature og frigav kode samt modelvægte til WeatherNext-familien. Modellen er udviklet til at forudsige tropiske cykloners bane, intensitet og vindstruktur i samme system. Forskerholdet omfatter medarbejdere fra Google DeepMind og Google Research samt eksperter fra blandt andre National Hurricane Center og UK Met Office.
Nature-artiklen blev accepteret 24. juli og publiceret 6. august 2026 som et uredigeret manuskript, der fortsat skal gennem Nature-redaktionens sidste bearbejdning. Det ændrer ikke ved, at forskningen er accepteret, men mindre fejl og formuleringer kan blive rettet i den endelige udgave.
Hvad er WeatherNext Cyclones?
WeatherNext Cyclones er en specialiseret version af WeatherNext til operationelle prognoser for tropiske cykloner. Den bygger på et neuralt netværk, som er trænet på globale atmosfæriske data og historiske observationer af cykloner. DeepMind oplyser, at træningen omfattede næsten 20 terabyte vejrdata og IBTrACS-databasen med knap 5.000 historiske storme.
Modellen forudsiger vejrets udvikling trin for trin op til 15 dage frem. Et særskilt spor følger cyklonens centrum og beregner blandt andet position, maksimal vind og udbredelsen af kraftig vind. WeatherNext 2 bruger samme grundlæggende algoritme til cykloner og kan desuden forudsige vind i 100 meters højde.
Hvordan laver modellen en prognose?
En tropisk cyklons bane styres i høj grad af store atmosfæriske strømninger, mens dens intensitet afhænger af mindre og mere lokale processer omkring stormens kerne. Traditionelt har det fremmet en kombination af globale modeller med grov opløsning og regionale modeller med finere opløsning.
WeatherNext forsøger at samle de to opgaver. Modellen er trænet samtidigt på globale vejrforløb og ekspertbehandlede cyklondata. Den bruger Functional Generative Networks til at skabe mange indbyrdes sammenhængende prognoser for de atmosfæriske variable. Resultatet er ikke ét sikkert svar, men en fordeling af mulige forløb.
Hvorfor er 1.000 mulige forløb nyttige?
Små forskelle i starttilstanden kan give store forskelle flere dage senere. En ensembleprognose gentager derfor beregningen med variationer og viser, hvor ofte et bestemt udfald optræder. WeatherNext Cyclones kan ifølge DeepMind danne 1.000 medlemmer i et ensemble, hvor traditionelle globale ensembler ofte består af omkring 50.
| Niveau | Hvad det viser | Hvad det ikke afgør |
|---|---|---|
| Enkelt prognose | Ét beregnet, muligt vejrforløb | Hvor følsomt udfaldet er over for usikkerhed |
| Ensemble | En fordeling af mange mulige forløb | Hvilket beredskab der bør iværksættes |
| Officielt varsel | En myndighedsvurdering af fare, sted og tidspunkt | At vejret med sikkerhed følger ét scenarie |
Et større ensemble kan gøre sjældne, men alvorlige forløb synlige, eksempelvis hurtig intensivering. Det gør ikke hvert medlem mere præcist. Værdien ligger i et bedre sandsynlighedsgrundlag, som en meteorolog kan sammenholde med observationer, andre modeller og lokale konsekvenser.
Hvad viste evalueringen?
Nature-artiklens resumé angiver, at WeatherNext Cyclones blev evalueret på tropiske cykloner fra 2023 til 2025. På tværs af bane, intensitet og vindradius gav modellen i gennemsnit mindst ét døgns prognosefordel sammenlignet med førende operationelle modeller. En tredages prognose havde dermed omtrent samme nøjagtighed som en tidligere todages prognose.
Sammenligningen med et årtis meteorologiske fremskridt beskriver udviklingen i historiske fejlkurver. Den betyder ikke, at alle varsler bliver ét døgn tidligere, eller at modellen altid slår alle alternativer. Resultaterne er gennemsnit over bestemte storme, mål og modelversioner.
DeepMind-bloggen beskriver den historiske hovedevaluering som 2023-2024 og særskiller den operationelle anvendelse i 2025. Nature-resuméet medtager 2025 i den samlede evalueringsperiode. Artiklen her bruger derfor Nature-perioden, men behandler 2025-resultaterne som en udvidelse af den historiske test frem for samme datasæt.
Hvorfor er modellens grove opløsning usædvanlig?
WeatherNext Cyclones arbejder med felter på omtrent 28 gange 28 kilometer. Det er langt grovere end regionale modeller, som forsøger at gengive processerne tæt på stormens kerne direkte. Alligevel opnåede modellen lavere gennemsnitlige fejl på de rapporterede mål.
Resultatet tyder på, at grove globale data indeholder mere information om intensitet, end forskerne tidligere har udnyttet. Det viser ikke, at høj opløsning er overflødig i alle vejrmodeller. Forskerne beskriver selv årsagen til den høje præcision som et åbent spørgsmål, og lokale fænomener kan stadig kræve finere data og fysikbaserede beregninger.
Hvad kan de åbne modeller bruges til?
Forskningsmiljøer og meteorologiske institutioner kan hente kode og modelvægte, gentage offentliggjorte forsøg og udvikle mere specialiserede varianter. Det gør WeatherNext til et konkret eksempel på, hvordan åbne AI-modeller kan understøtte kontrol og videre forskning.
Adgangen er ikke det samme som en færdig vejrtjeneste. Den fulde model er optimeret til TPU og kræver ifølge dokumentationen en H100-grafikprocessor, hvis den køres på GPU. Miniudgaven kan afprøves med mindre hardware, men forventes ikke at matche de store modellers præstation. Kode og notesbøger har Apache 2.0-licens, mens andre materialer bruger CC BY 4.0; vejrdata kan have særskilte vilkår.
Hvad kan WeatherNext ikke erstatte?
WeatherNext er ikke et system til automatisk at udsende evakueringsordrer, lukke infrastruktur eller fastsætte forsikringsvilkår. En prognose beskriver sandsynlig vejrudvikling, mens en beslutning også kræver lokale observationer, tærskler, konsekvensvurdering og et ansvarligt beredskab.
- Modellen kan tage fejl om både bane, styrke og tidspunkt.
- Historisk præstation garanterer ikke samme nøjagtighed ved en ny eller sjælden stormtype.
- Forskningskoden leveres uden garanti for stabilitet eller fremtidig kompatibilitet.
- Modellens output er ikke et officielt varsel fra en meteorologisk myndighed.
DeepMind og projektets dokumentation henviser selv til nationale vejrtjenester ved officielle prognoser og advarsler. I Danmark er det derfor fortsat DMI’s varsler, der skal bruges som myndighedskilde ved farligt vejr.
Hvad betyder udviklingen for Danmark?
Tropiske cykloner er ikke den primære danske varslingsopgave, men metoden er relevant for arbejdet med storme, kraftig nedbør, havvandstand og energiproduktion. DMI har allerede annonceret et pilotprojekt på supercomputeren Gefion med en regional AI-vejrmodel, som skal undersøge hurtigere prognoser på udvalgte områder.
WeatherNext dokumenterer ikke, at modellen er indført hos DMI eller testet særskilt på lokale forhold. Den realistiske betydning er et stærkere forskningsgrundlag for at kombinere globale AI-prognoser med regionale modeller og meteorologisk ekspertise. Det kan få betydning for energiselskaber, transport, forsyning, landbrug og beredskab, hvis lokale test viser stabile forbedringer.
Vejr og klima er heller ikke det samme. Vejrmodellen forudsiger atmosfærens udvikling de næste dage, mens AI i klimaforskning undersøger langsigtede mønstre og scenarier. Hurtigere varsling kan støtte klimatilpasning, men WeatherNext-resultatet dokumenterer ikke i sig selv ændringer i klimaet.
Hvordan bør en organisation vurdere en AI-vejrmodel?
En organisation bør teste modellen mod den beslutning, den faktisk skal støtte. Et energiselskab kan have brug for vindfordelinger, mens et beredskab har brug for sandsynligheder for nedbør, vindstød eller oversvømmelse i et bestemt område. Gennemsnitlig global nøjagtighed er ikke tilstrækkelig dokumentation for en lokal arbejdsgang.
- Definér den konkrete prognosevariabel, tidshorisont og geografiske opløsning.
- Sammenlign modellen med den nuværende prognose på historiske og løbende data.
- Mål både gennemsnitsfejl og præstation ved sjældne hændelser.
- Fastlæg, hvornår en meteorolog eller fagansvarlig skal tilsidesætte outputtet.
- Registrér modelversion, inputdata, usikkerhed og beslutning, så forløbet kan efterprøves.
Denne form for risikostyring i AI skelner mellem en bedre prognose og en bedre beslutning. Først når fejl, responstid og konsekvenser er målt i den lokale anvendelse, kan en organisation vurdere, om modellen forbedrer det samlede system.
Hvilke spørgsmål er stadig åbne?
Forskerne mangler en fuld forklaring på, hvorfor modellen kan forudsige intensitet så præcist fra forholdsvis grove input. Den åbne udgivelse gør det muligt at undersøge, hvilke datakilder og dele af arkitekturen der bidrager mest, og om resultaterne holder på tværs af oceaner, sæsoner og sjældne stormforløb.
Den næste praktiske prøve er langvarig drift. En vejrtjeneste skal følge modelændringer, databrud, geografiske skævheder og falsk sikkerhed i sandsynlighederne. Samtidig skal AI-prognoser sammenlignes med fysikbaserede modeller og observationer, så en hurtigere beregning ikke bliver forvekslet med en fuldstændig beskrivelse af atmosfæren.
Hvilke kilder ligger til grund?
Nyheden bygger på Google DeepMinds offentliggørelse af WeatherNext Cyclones, som FutureTools linker til. Resultater og evalueringsperiode er kontrolleret i forskningsartiklen i Nature, mens adgang, hardwarekrav, licenser og begrænsninger følger projektets officielle kodearkiv. Den lokale kontekst bygger på DMI’s projekt om en regional AI-vejrmodel og DMI’s beskrivelse af officielle varsler om farligt vejr.