Google DeepMind ra mắt WeatherNext 3: Mô hình dự báo thời tiết AI với độ phân giải gấp 5 lần

03 tháng 9, 2026

Mô hình dự báo thời tiết AI hàng đầu của chúng tôi hiện đã bao gồm dữ liệu vệ tinh thời gian thực, cập nhật hàng giờ, độ phân giải cao hơn, dự báo lượng mưa chính xác và các biến số về năng lượng sạch. Mô hình này hiện đã được tích hợp trên Search, Gemini, Maps, Google Maps Platform và Cloud.

Đội ngũ WeatherNext

Trình duyệt của bạn không hỗ trợ phần tử âm thanh.

Trình duyệt của bạn không hỗ trợ phần tử âm thanh.

Nghe bài viết

[[duration]] phút

Nội dung này được tạo bởi Google AI. Generative AI là công nghệ đang trong giai đoạn thử nghiệm.

Nội dung này được tạo bởi Google AI. Generative AI là công nghệ đang trong giai đoạn thử nghiệm.

Mỗi ngày, thời tiết ảnh hưởng đến hàng tỷ quyết định. Một số quyết định đơn giản như việc cầm theo chiếc ô trước khi ra khỏi nhà, nhưng những quyết định khác lại mang tính hệ trọng hơn nhiều. Gió, mưa và các hiện tượng thời tiết cực đoan như nắng nóng và hạn hán có tác động dây chuyền đến nông nghiệp, chuỗi cung ứng toàn cầu, sản xuất năng lượng sạch và nền kinh tế quốc gia.

Trong những năm gần đây, AI đã tạo ra cuộc cách mạng trong dự báo thời tiết, sử dụng các dữ liệu lịch sử để đưa ra dự đoán nhanh hơn và chính xác hơn so với các phương pháp truyền thống. Tuy nhiên, việc dự báo thời tiết ở quy mô địa phương và thay đổi nhanh chóng vẫn là một thách thức. Các mô hình trước đây thường thiếu độ phân giải không gian đầy đủ và gặp khó khăn trong việc kết hợp dữ liệu thời tiết thời gian thực từ các nguồn như vệ tinh.

Hôm nay, Google DeepMind và Google Research giới thiệu WeatherNext 3, mô hình thời tiết toàn cầu tiên tiến và chính xác nhất từ trước đến nay, theo các đánh giá trực tiếp độc lập từ Brightband. Mô hình của chúng tôi học trực tiếp từ các quan sát thời gian thực, cho phép cung cấp các dự báo kịp thời và mang tính địa phương hóa cao hơn cho các sự kiện thời tiết ảnh hưởng lớn nhất đến con người. Bằng cách sử dụng dữ liệu vệ tinh thô để tạo dự báo mỗi giờ với độ phân giải cao, mô hình của chúng tôi giúp các dự báo đáng tin cậy trở nên khả dụng trên các sản phẩm của Google trên toàn thế giới.

Dự báo thời tiết nhanh với độ phân giải chưa từng có

Tính hữu dụng của một bản dự báo thường nằm ở độ chi tiết và khả năng phân giải cả về thời gian lẫn không gian. WeatherNext 3 tạo ra các dự báo hàng giờ ở nhiều độ phân giải không gian khác nhau, duy trì tính nhất quán vật lý từ các mô hình gió toàn cầu rộng lớn cho đến địa hình địa phương.

Với WeatherNext 3, chúng tôi có thể trực quan hóa các biến số bề mặt chính — như nhiệt độ và độ ẩm — ở độ phân giải 5 km, các biến số bề mặt khác ở 10 km và các biến số khí quyển như tốc độ gió ở 25 km. Nhìn chung, điều này cung cấp một bức tranh thời tiết toàn cầu sắc nét hơn khoảng năm lần so với mô hình trước đây của chúng tôi là WeatherNext 2, vốn tạo ra các dự báo trên lưới 25 km với khoảng cách 6 giờ một lần.

Hình 1: Kiến trúc hệ thống WeatherNext 3 từ đầu đến cuối. Mô hình tiếp nhận các bản đồ vệ tinh địa tĩnh trực tiếp 1 giờ một lần cùng với phân tích lịch sử truyền thống để đưa vào một mạng lưới Functional Generative Network (FGN) mesh transformer linh hoạt. Hệ thống xuất ra các trường lưới dày đặc, các đường đi của lốc xoáy riêng biệt và dự đoán các tọa độ thưa thớt ở cấp độ trạm một cách tự nhiên.

Hình 2: So sánh dự báo nhiệt độ 2 mét tại Vương quốc Anh. WeatherNext 2 (trái) ở độ phân giải 25 km (0,25°) so với WeatherNext 3 (phải) ở độ phân giải gốc 5 km (0,05°). WeatherNext 3 giải quyết được địa hình địa phương phức tạp, ngăn chặn tình trạng hiển thị nhiệt độ bị vỡ điểm ảnh (pixelated) và làm mịn quá mức như ở các mô hình cũ.

Dữ liệu thực tế ở quy mô toàn cầu liên tục

Bước tiến lớn nhất của WeatherNext 3 nằm ở nguồn dữ liệu mà nó học được. Hầu hết các mô hình thời tiết AI, bao gồm cả WeatherNext 2, đều được huấn luyện trên dữ liệu từ các mô hình dự báo thời tiết số (NWP). Mặc dù hữu ích, các mô hình NWP là những mô phỏng vật lý phức tạp chạy trên siêu máy tính và có độ trễ dữ liệu sáu giờ. Độ trễ này có thể dẫn đến sai lệch đối với các biến số thay đổi nhanh như mưa hoặc nhiệt độ bề mặt.

Bằng cách tiếp nhận một bản đồ dữ liệu vệ tinh địa tĩnh toàn cầu trực tiếp, mô hình mới của chúng tôi có được cái nhìn phong phú và cập nhật liên tục về khí quyển. Điều này cho phép mô hình tạo ra dự báo mới mỗi giờ, mỗi dự báo đều dựa trên các quan sát vệ tinh mới nhất hiện có, với độ phân giải lên tới 5 km.

Điều này rất quan trọng vì thời tiết khắc nghiệt phát triển rất nhanh. Khi các cơn bão, mặt trận hoặc hệ thống mưa xuất hiện đột ngột, chu kỳ cập nhật nhanh và độ phân giải cao hơn của chúng tôi cung cấp những thông tin chi tiết, sớm hơn cần thiết để giúp thúc đẩy phản ứng hiệu quả.

Một số biến số như nhiệt độ và độ ẩm có thể dao động mạnh chỉ trong vài km, điều này đặc biệt quan trọng đối với các cộng đồng gần bờ biển, thung lũng hoặc dãy núi. Các mô hình truyền thống gặp khó khăn ở đây vì chúng huấn luyện trên các biểu diễn khí quyển thiếu chi tiết và bỏ lỡ các biến đổi địa phương cực đoan.

Để giải quyết vấn đề này, WeatherNext 3 thay vào đó huấn luyện trực tiếp trên dữ liệu quan sát từ các trạm thời tiết thưa thớt. Điều này cho phép chúng tôi thực hiện các dự báo toàn cầu trên lưới 5 km, tính đến các chi tiết khu vực như địa hình.

Bước đột phá này đặc biệt quan trọng đối với các khu vực trên khắp Mỹ Latinh, Châu Phi và Châu Á - Thái Bình Dương, những nơi vốn ít được hưởng lợi từ dự báo độ phân giải cao do chi phí siêu máy tính khổng lồ của các mô hình khu vực truyền thống. Nó mang đến khả năng dự báo độ trung thực cao, mang tính địa phương hóa cho hàng tỷ người và các doanh nghiệp địa phương tại những khu vực này.

Ngoài việc cải thiện độ phân giải và tần suất dự báo, mô hình của chúng tôi còn giới thiệu các dự đoán được thiết kế đặc biệt cho sản xuất năng lượng tái tạo. Mô hình dự báo tốc độ gió ở độ cao 100 mét (khoảng độ cao của tuabin) để có sản lượng năng lượng gió chính xác, cùng với độ che phủ của mây và mức bức xạ mặt trời ở độ phân giải cao để giúp các trang trại năng lượng mặt trời ước tính lượng ánh sáng mà họ sẽ nhận được trên mặt đất.

Dữ liệu này rất quan trọng đối với việc lập kế hoạch năng lượng sạch toàn cầu, cho phép các nhà vận hành lưới điện và các nhà phát triển năng lượng tái tạo dự đoán chính xác lượng điện năng mà tài sản năng lượng sạch của họ sẽ tạo ra và khớp với nhu cầu của người tiêu dùng.

Dự báo lượng mưa với độ chính xác đột phá

Các mô hình thời tiết toàn cầu nổi tiếng là khó dự báo chính xác lượng mưa. Các hệ thống mưa và tuyết được thúc đẩy bởi các quá trình mây di chuyển nhanh trên quy mô nhỏ, rất khó mô phỏng chính xác bằng các mô phỏng dựa trên vật lý truyền thống. Do đó, các dự báo AI thường tạo ra các ước tính mờ nhạt hoặc bỏ lỡ hoàn toàn ranh giới của các cơn bão nghiêm trọng.

Để giải quyết vấn đề này, chúng tôi huấn luyện mô hình của mình trên hai nguồn dữ liệu lượng mưa chất lượng cực cao: Integrated Multi-satellite Retrievals for GPM (IMERG) dựa trên vệ tinh của NASA và dữ liệu tái phân tích lượng mưa toàn cầu của chính chúng tôi dựa trên radar vệ tinh.

Kết quả là một bước nhảy vọt đáng kể về độ chính xác trong dự báo lượng mưa. Trong các dự báo toàn cầu tầm trung, các đánh giá so với các đường cơ sở cho thấy chỉ số Continuous Ranked Probability Score (CRPS) cải thiện tới 60% so với IMERG, 30% đối với MRMS và 10% so với các phép đo bằng trạm đo mưa cho các thời điểm dự báo sớm.

Hình 3: So sánh dự báo xác suất mưa (PoP > 1mm) tầm trung. WeatherNext 2 (trái) ở độ phân giải 25 km cho thấy dấu vết lượng mưa bị khuếch tán và vỡ điểm ảnh. WeatherNext 3 (giữa) ở độ phân giải 11 km phản ánh sát thực tế với dữ liệu vệ tinh (phải), nắm bắt chính xác các dải đối lưu sắc nét của các hệ thống thời tiết.

Nghiên cứu được ứng dụng trên toàn hệ sinh thái

Mục tiêu chính của chúng tôi là nâng cao trí tuệ thời tiết để làm cho nó trở nên hữu ích trên toàn cầu — dù là cho nhân viên ứng cứu khẩn cấp theo dõi những thay đổi gió đột ngột, kiểm soát viên không lưu lập kế hoạch đường bay hay nông dân quản lý mùa màng.

Để đưa những đột phá này từ phòng thí nghiệm ra thế giới thực, chúng tôi đang tích hợp WeatherNext 3 trên toàn bộ hệ sinh thái cốt lõi của Google và hơn thế nữa:

Khí quyển sẽ luôn giữ một mức độ khó dự đoán nhất định. Tuy nhiên, bằng cách huấn luyện trên các quan sát thực tế và vượt qua các hạn chế mô hình hóa truyền thống, WeatherNext 3 đưa chúng ta đến gần hơn với một tương lai nơi các dự báo thực sự khớp với những gì đang diễn ra trên thực địa.

Để tìm hiểu thêm về các nền tảng không gian địa lý và công việc AI tại Google, hãy xem Google Earth Engine, AlphaEarth Foundations và Earth AI.