WeatherNext 2: model prediksi cuaca tercanggih Google DeepMind

 (blog.google)
5 poin oleh GN⁺ 2025-11-19 | 1 komentar | Bagikan ke WhatsApp
  • WeatherNext 2 adalah model berbasis AI yang secara signifikan meningkatkan akurasi dan efisiensi prediksi cuaca global
  • Pada satu TPU, model ini menghasilkan ratusan skenario cuaca dalam waktu kurang dari satu menit, dengan kecepatan prediksi 8 kali lebih cepat dibanding model sebelumnya
  • Melalui arsitektur Functional Generative Network (FGN) yang baru, model ini mempertahankan prediksi yang konsisten secara fisik dan mendukung resolusi per jam
  • Data prediksi tersedia di Earth Engine dan BigQuery, serta menyediakan kemampuan inferensi kustom melalui program akses awal Vertex AI
  • Teknologi ini meningkatkan fitur cuaca di seluruh layanan Google seperti Search, Gemini, Pixel Weather, dan Google Maps Platform

Ikhtisar WeatherNext 2

  • WeatherNext 2, yang dikembangkan bersama oleh Google DeepMind dan Google Research, adalah model prediksi cuaca berbasis AI yang menawarkan kecepatan 8 kali lebih cepat dan resolusi per jam dibanding sebelumnya
    • Menghasilkan ratusan kemungkinan skenario cuaca dari satu input
    • Prediksi selesai dalam waktu kurang dari 1 menit pada satu TPU, sementara model superkomputer berbasis fisika yang ada membutuhkan waktu berjam-jam
  • Model ini menunjukkan kinerja yang lebih baik dibanding model sebelumnya pada 99,9% variabel seperti suhu, kecepatan angin, kelembapan, serta lead time prediksi (0–15 hari)
  • WeatherNext 2 memungkinkan prediksi beresolusi tinggi di seluruh Bumi dan juga dimanfaatkan untuk mendukung pengambilan keputusan lembaga meteorologi

Pendekatan pemodelan AI baru

  • WeatherNext 2 mengadopsi metode pemodelan AI baru bernama Functional Generative Network (FGN)
    • Dengan menyuntikkan ‘noise’ langsung ke struktur model, hasil prediksi tetap berada dalam kondisi yang realistis secara fisik dan saling terhubung
    Iklan
  • Pendekatan ini berguna untuk prediksi ‘marginal’ maupun ‘joint’
    • Marginal mengacu pada elemen individual, misalnya suhu di lokasi tertentu, kecepatan angin berdasarkan ketinggian, atau kelembapan
    • Joint mengacu pada sistem cuaca skala besar yang menggabungkan banyak elemen, dan penting untuk menganalisis fenomena kompleks seperti wilayah gelombang panas atau prediksi output tenaga angin
  • Model dilatih hanya dengan data marginal, tetapi secara mandiri mempelajari pola joint untuk melakukan prediksi kompleks

Akses dan pemanfaatan data

  • Data prediksi WeatherNext 2 dipublikasikan di Google Earth Engine dan BigQuery
    • Dapat diakses melalui katalog data Earth Engine dan BigQuery Analytics Hub
    Iklan
  • Di Google Cloud Vertex AI, kemampuan inferensi model kustom tersedia melalui program akses awal
  • Teknologi ini diintegrasikan ke Search, Gemini, Pixel Weather, dan Weather API di Google Maps Platform, serta direncanakan akan diterapkan juga pada fitur informasi cuaca di Google Maps

Dari riset ke penerapan nyata

  • WeatherNext 2 adalah contoh perluasan hasil riset ke aplikasi nyata
    • Melalui teknologi ini, Google membuka alat dan data agar peneliti, pengembang, dan perusahaan di seluruh dunia dapat memanfaatkannya untuk memecahkan masalah kompleks
  • Ke depan, Google berencana terus meningkatkan performa model melalui integrasi sumber data baru dan perluasan aksesibilitas
  • Google juga menghubungkannya dengan Earth Engine, AlphaEarth Foundations, dan Earth AI untuk memperkuat ekosistem riset AI geospasial

Materi tambahan

  • Makalah terkait WeatherNext 2 (arXiv: 2506.10772) telah dipublikasikan
  • Tersedia dokumentasi pengembang, katalog data Earth Engine, contoh kueri BigQuery, dan halaman pendaftaran akses awal Vertex AI
  • Model terkait yang juga diperkenalkan mencakup GenCast (prediksi cuaca ekstrem) dan GraphCast (prakiraan global cepat)

Bacaan terkait

1 komentar

 
GN⁺ 2025-11-19
Komentar Hacker News

  • Saya cukup mendalami topik ini, dan hal yang mungkin menarik bagi orang luar adalah bahwa model-model terbaru seperti neuralgcm atau WeatherNext 1 semuanya dilatih dengan fungsi objektif bernama CRPS
    Pendekatan ini hampir tidak pernah saya lihat di bidang ML umum, hanya dalam prediksi cuaca
    Singkatnya, model dilatih dengan menambahkan noise acak pada input, lalu meminimalkan loss biasa (seperti L1) sambil sekaligus memaksimalkan perbedaan antara dua hasil yang dihasilkan dari inisialisasi noise yang berbeda
    Saya penasaran apakah pendekatan seperti ini suatu hari akan diterapkan juga pada GenAI tradisional

    • Saya penasaran apakah noise itu sebenarnya ditambahkan ke parameter model, bukan ke input
      Ini mengingatkan saya pada makalah Variational Noise
      Kalau noise memang ditambahkan ke input, sepertinya ini mirip dengan teknik SSL seperti DINO
    • Saya baru-baru ini ingin secara sengaja menghasilkan dua output yang berbeda dalam pekerjaan optimisasi, tetapi tidak menemukan heuristik yang bagus
      Ini tidak terkait GenAI, tetapi sepertinya metode CRPS ini akan membantu kalau saya sudah mengetahuinya waktu itu
    • Pendekatan ini mengingatkan saya pada Variational Autoencoder
    • Saya penasaran apa tujuannya memakai pendekatan seperti ini alih-alih loss L2
    • Perlu diperjelas bahwa walaupun model belajar dari data masa lalu, saat prediksi nyata model ini tetap dijalankan sebagai ensemble berkali-kali dengan observasi baru

  • Belakangan saya merasa prakiraan cuaca lokal di pencarian Google menjadi terasa jauh lebih tidak akurat
    Selama beberapa minggu terakhir, prakiraan terus mengatakan suhu malam akan turun di bawah nol, tetapi kenyataannya tidak begitu
    Wilayah saya memang sulit diprediksi, tetapi sumber non-Google lain jauh lebih akurat
    Saya penasaran apakah rollout model baru ini sudah dilakukan sehingga hasilnya malah memburuk, atau justru akan segera membaik
    Saya juga ingin tahu apakah ada situs yang bisa membandingkan performa prediksi per model untuk wilayah tertentu

    • API gratis dari Open-Meteo berguna untuk itu
      Di sana data prakiraan dari tiap model bisa divisualisasikan dalam grafik, dan mereka mencakup beberapa model utama
      Hanya saja WeatherNext belum ada
    • Perbandingan performa model per wilayah tampak seperti fitur yang sangat jelas, tetapi kenyataannya hampir tidak ada. Saya penasaran kenapa

  • Presentasinya menekankan peningkatan kecepatan dan jumlah skenario, tetapi saya merasa penjelasan tentang peningkatan akurasi kurang memadai
    Kalimat seperti “WeatherNext 2 8 kali lebih cepat dan menawarkan resolusi per jam” memang terdengar keren, tetapi pada akhirnya sebagai pengguna saya hanya ingin satu prakiraan yang akurat

    • Poin pentingnya adalah bahwa pengguna akhir produk ini bukan masyarakat umum
      Metrik seperti skor CRPS ditujukan untuk para ahli, dan ini dipakai untuk mengatasi masalah under-dispersion pada model ensemble tradisional
      Peningkatan seperti ini pada akhirnya menjadi dasar bagi prakiraan deterministik yang dilihat pengguna umum agar lebih akurat
      Teknologi terkait bisa dilihat di WeatherBench
    • Dari sudut pandang pengguna umum, penjelasannya memang kurang
      Inti prakiraan cuaca selama puluhan tahun adalah konsep skenario ensemble, dan “peluang hujan 70%” berarti hujan terjadi di 70 dari 100 skenario
      Jadi, tidak ada satu pun ‘prakiraan akurat’ tunggal
    • Sebagai pengguna saya juga ingin melihat sebaran ketidakpastian
      Banyak aplikasi cuaca menampilkan ini dengan cukup baik secara visual
    • Benchmark yang paling penting adalah akurasi, dan harus dibandingkan dengan model berbasis fisika yang sudah ada seperti GFS, ECMWF, dan lainnya
      Model-model ini berjalan di klaster HPC yang sangat besar, tetapi karena perhitungannya dilakukan terpusat lalu hanya hasilnya yang didistribusikan, sistem itu tetap efisien
    • Ini memang model yang dilatih dari data historis, tetapi tampaknya kekurangan unsur berbasis fisika
      Saya penasaran di mana landasan fisik yang diperlukan untuk performa tinggi itu berada

  • Mesin prediksi cuaca Google sudah sangat bagus, dan prediksi jalur badai/hurricane musim ini sangat mengesankan akurasinya
    Sebaliknya, Global Forecasting System (GFS) milik pemerintah AS tampaknya makin memburuk
    Artikel terkait: tautan Ars Technica

    • Saya penasaran apa yang secara spesifik dimaksud dengan “GFS memburuk”

  • Setelah membaca makalahnya, saya tidak melihat penjelasan seberapa sering model ini perlu dilatih ulang
    Jika strukturnya belajar distribusi per wilayah, pola-pola itu tampaknya akan berubah seiring waktu sehingga perlu retraining berkala
    Jika harus melatih selama 3 hari setiap minggu, itu bisa menjadi masalah biaya yang nyata

  • Ini mengingatkan saya pada anekdot dari masa Perang Dunia II
    Konon Kenneth Arrow menemukan bahwa prakiraan jangka panjang nyaris tidak lebih baik daripada tebakan acak, tetapi atasannya menjawab, “kami tahu itu tidak berguna, tetapi kami tetap membutuhkannya untuk perencanaan”

    • Saya pernah mendengar di kelas statistik bahwa sebenarnya cuaca baik jauh lebih sering terjadi daripada cuaca buruk
      Jadi kalau Anda hanya bilang “tidak akan hujan”, Anda akan benar sekitar 90% dari waktu
      Ironisnya, prakiraan cuaca dulu bahkan kurang akurat daripada itu
      Model masa kini benar-benar luar biasa akurat sampai-sampai prakiraan 10 hari pun sering hampir tepat
    • Ada juga tafsir bahwa ramalan di zaman kuno bukan sekadar takhayul, melainkan alat pengambilan keputusan untuk mendorong tindakan saat orang tidak bisa memutuskan
    • Ini mengingatkan saya pada ucapan Eisenhower: “rencana itu tidak berguna, tetapi proses merencanakan itu sangat penting”

  • Akhir-akhir ini akurasi aplikasi cuaca bawaan Google menurun
    Sering meleset sekitar 2–5 derajat
    Saya mencoba aplikasi Weawow yang direkomendasikan di HN, dan meskipun namanya kurang bagus, akurasinya luar biasa
    Sejauh ini itu yang paling memuaskan dari semua yang pernah saya pakai

  • Prakiraan cuaca berbasis AI masih terasa jauh dari kehidupan nyata
    Bahkan dibanding era orang tua saya menonton ramalan cuaca di TV, akurasi yang terasa tidak tampak jauh berbeda
    Masih sering terjadi hujan lebat pada hari yang diperkirakan cerah, atau sebaliknya hari yang diperkirakan hujan ternyata cerah sepanjang hari
    Dari sudut pandang konsumen, kemajuan teknologi ini tampaknya belum benar-benar berubah menjadi rasa percaya di penggunaan sehari-hari

    • Datanya ada: menurut Our World in Data, akurasi prakiraan terus meningkat
    • Masalahnya adalah cara data disajikan
      Misalnya di Apple Weather, “hari hujan” ditampilkan jika pada titik waktu mana pun dalam sehari peluang hujan tinggi
      Padahal bisa saja hanya hujan pukul 5 pagi dan sisanya cerah
      Pengguna harus bisa menafsirkan data itu, dan akan bagus jika AI bisa memberi konteks pada prakiraan sesuai kebutuhan pribadi pengguna
    • Prakiraan memang terus membaik, tetapi ini evolusi bertahap, bukan lompatan revolusioner
      Misalnya, saya menambahkan prakiraan hujan jangka pendek dari rainbow.ai ke Weathergraph, dan itu yang paling akurat sejauh yang pernah saya gunakan
      Data radar itu sendiri juga penuh noise, dan proses pembersihannya sudah merupakan model ML
    • Kenyataannya, akurasi memang sudah sangat meningkat
      Akurasi prakiraan 4 hari sekarang setara dengan akurasi prakiraan 1 hari tiga puluh tahun lalu
      Hanya saja kita bukan jadi lebih memahami cuaca, melainkan hasil dari lonjakan besar dalam daya komputasi
    • Prakiraan cuaca umum pun masih belum sempurna

  • Saya penasaran di mana model ini bisa dipakai
    Saya sedang mencari prakiraan hiper-lokal seperti Dark Sky dulu

    • Sekarang hasil riset ini sudah diintegrasikan ke layanan nyata
      Data prakiraan WeatherNext 2 tersedia di Earth Engine dan BigQuery, dan ada juga program akses awal di Vertex AI untuk inferensi kustom
      Selain itu, ini juga sudah diterapkan di Search, Gemini, Pixel Weather, Google Maps Platform Weather API
    • Secara pribadi saya paling suka aplikasi Windy
      Kita bisa membandingkan perbedaan prakiraan antar model, dan animasi vektor angin-nya sangat menarik secara visual
    • Model HRRR juga sangat bagus
      Diperbarui setiap jam, dengan resolusi 15 menit untuk 18 jam ke depan, dan resolusi 1 jam untuk 48 jam ke depan
      Situs HRRR
    • Dulu Weather Underground menggabungkan data dari stasiun cuaca pribadi
      Banyak berubah setelah diakuisisi IBM, tetapi mungkin proyek itu masih hidup dalam bentuk tertentu
    • Tautan resmi Weather API Google juga layak dilihat

  • Saya penasaran apakah model yang memberikan prediksi hurricane paling akurat musim ini adalah model yang sama dengan yang diumumkan sekarang
    Artikel terkait: tautan Ars Technica