WeatherNext varsler tropiske sykloner ett døgn tidligere

Et ekstra døgn med presis varsling av en tropisk syklon kan bety mer tid til å evakuere, flytte forsyninger og forberede nødetatene. Google DeepMinds WeatherNext ga i testene minst 24 timers forsprang på ledende operative modeller for både bane, styrke og vindutbredelse.

Det betyr ikke at modellen kan se framtiden med sikkerhet. Det betyr at en prognose tre dager før stormen i gjennomsnitt var omtrent like presis som det de tidligere modellene klarte to dager før. Resultatet er publisert i Nature 6. august 2026, med forskere fra blant annet Google DeepMind, Google Research, US National Hurricane Center og britiske Met Office.

Det mest overraskende er hvordan WeatherNext gjør det. Modellen bruker langt grovere værdata enn de lokale høyoppløselige modellene som vanligvis trengs for å beregne styrken i en storm. Forskerne sier rett ut at de ennå ikke fullt ut forstår hvorfor signalet er så sterkt. Nå åpner Google både koden og modellvektene, slik at andre kan undersøke det nærmere.

Hva har WeatherNext faktisk oppnådd?

WeatherNext Cyclones leverte i gjennomsnitt minst ett døgn bedre varsling av bane, intensitet og vindutbredelse enn ledende operative modeller. Forskerne evaluerte modellen på tropiske sykloner fra 2023 til 2025, og beskriver framgangen som omtrent like stor som den meteorologien normalt har brukt et tiår på å oppnå.

Dette er bredere enn å gjette hvor en orkan treffer land. Modellen må også beregne hvor kraftig stormen blir og hvor langt den farlige vinden strekker seg fra sentrum. Det er nettopp kombinasjonen som er vanskelig. En god baneprognose er ikke nok hvis styrken går fra en relativt svak storm til en katastrofal orkan over natten.

Den fagfellevurderte studien beskriver WeatherNext Cyclones, forkortet WN-C, som én global AI-modell som lager ensembleprognoser opptil 15 dager fram i tid. Et ensemble er mange mulige værforløp fra samme utgangspunkt. I stedet for ett tilsynelatende sikkert svar får meteorologene et bilde av både det sannsynlige utfallet og sjeldnere, farlige utviklinger.

Google har gått fra 50 slike scenarioer under orkansesongen i 2025 til opptil 1 000 i 2026. Flere scenarioer øker sjansen for å fange opp hendelser langt ute i risikohalen, som plutselig og kraftig intensivering. Samtidig må ikke 1 000 muligheter forveksles med 1 000 uavhengige fasitsvar. De kommer fra samme modell og de samme inngangsdataene.

Hvorfor er tropiske sykloner så vanskelige å varsle?

Tropiske sykloner må forstås på to svært forskjellige skalaer samtidig. Store globale luftstrømmer styrer hvor stormen beveger seg, mens små og intense prosesser rundt stormøyet avgjør hvor kraftig den blir. Tradisjonelt har globale modeller vært gode på bane, mens lokale modeller med langt høyere oppløsning har vært nødvendige for styrken.

Det gir meteorologene et vrient kompromiss. Den globale modellen ser hele trafikksystemet i atmosfæren, men kan gå glipp av detaljene i motoren. Den lokale modellen ser motoren bedre, men har mindre oversikt over veien. WeatherNext er interessant fordi samme modell leverer sterke resultater på begge deler.

Ifølge Google DeepMinds tekniske gjennomgang ble modellen trent på nesten 20 terabyte globale atmosfæriske data og en ekspertkurert database med nær 5 000 historiske stormer. Den lærer dermed både vanlige globale værmønstre og det langt sjeldnere mønsteret som kjennetegner tropiske sykloner.

Det siste er viktig fordi ekstreme stormer heldigvis ikke opptrer ofte nok til å gi AI-modellen enorme mengder rene orkandata. Forskerne kombinerte derfor det de har lite av, historiske sykloner, med det de har mye av, globale værdata. Modellen trenes samlet på de to oppgavene i stedet for å lime en separat orkanmodul på toppen etterpå.

Det merkelige funnet ligger i oppløsningen

WeatherNext Cyclones bruker inngangsdata med ruter på omtrent 28 ganger 28 kilometer. Google oppgir at dette er rundt 100 ganger grovere enn dataene i tradisjonelle lokale modeller. Likevel klarer AI-modellen å konkurrere på intensitet, en egenskap meteorologer har ment krever svært høy oppløsning rundt kjernen.

Selv miniutgaven arbeider med ruter på omtrent 111 ganger 111 kilometer og viser ifølge Google gode resultater. Det er litt som å oppdage at et grovt kart inneholder flere spor om motoren enn ekspertene trodde. Spørsmålet er hvilke spor modellen har funnet, og om de holder når været utvikler seg på nye måter.

Forskerne hevder ikke at oppløsning plutselig er uviktig. Nature-studien sier mer presist at høy oppløsning ikke ser ut til å være et absolutt krav for å levere svært gode intensitetsprognoser. Den grove atmosfæriske informasjonen må inneholde mer informasjon om stormstyrke enn man tidligere har klart å hente ut.

Og her kommer en sunn dose ydmykhet inn: Teamet forstår ikke fullt ut hvordan modellen gjør det. Det svekker ikke de målte resultatene, men det gjør uavhengig forskning viktig. En modell som virker, er nyttig. En modell forskerne også forstår, er lettere å kontrollere, forbedre og vite når man ikke bør stole på.

Hurricane Melissa ble den virkelige prøven

WeatherNext fikk sin mest omtalte prøve under Hurricane Melissa i oktober 2025. Da systemet fortsatt var en svak tropisk depresjon, var tradisjonelle prognoser usikre på om det ville gå mot Haiti som en svakere storm eller bli kraftig forsterket på vei mot Jamaica.

WeatherNext beregnet fem dager før landfall en sannsynlighet på 80 prosent for at Jamaica ville bli truffet av en kategori 5-orkan. Tre dager før var sannsynligheten nær 100 prosent. National Hurricane Center kunne for første gang varsle at en storm ville vokse fra kategori 1 til kategori 5, ifølge DeepMinds gjennomgang av Melissa-prognosen.

Det er en kraftig historie, men én storm er ikke fundamentet for hele påstanden. Den dokumenterer at systemet kunne gi nyttig støtte i en ekte operativ situasjon. Hovedfunnet kommer fra den bredere evalueringen av stormer i 2023, 2024 og 2025, der bane, intensitet og vindutbredelse ble målt mot flere ledende modeller.

Dette skillet er viktig. Etterpåklok utvelgelse av én imponerende prognose kan få nesten hvilken som helst værmodell til å se genial ut. Her har forskerne både den dramatiske enkelthendelsen og en større sammenligning. Samtidig er tre år fortsatt en begrenset periode når oppgaven er å fange sjeldne ekstremhendelser over hele verden.

Kan WeatherNext erstatte meteorologene?

Nei. WeatherNext er en ny kilde til prognoser, ikke en erstatning for offisielle varsler eller menneskelig vurdering. En modell beregner bane, styrke og sannsynlig vind. Meteorologene må kombinere dette med observasjoner, andre modeller og lokalkunnskap før de vurderer hva stormen faktisk kan gjøre med mennesker og infrastruktur.

Forskerne og National Hurricane Center trekker fram denne begrensningen. Den beste modellen i én sesong er ikke automatisk best i den neste. Værmønstre endrer seg, inngangsdata kan svikte, og en storm kan utvikle seg på en måte treningsmaterialet dekker dårlig.

Et offisielt orkanvarsel handler dessuten om konsekvensene, ikke bare en strek på et kart. To områder kan få samme vindstyrke, men ha helt forskjellig risiko på grunn av terreng, bygninger, stormflo og muligheten til å evakuere. Derfor er det fortsatt meteorologiske etater som sender ut varslene.

Jeg synes nettopp denne arbeidsdelingen gjør saken mer interessant. AI trenger ikke overta hele fagfeltet for å være svært verdifull. Hvis modellen kan gi fagfolk ett døgn mer presisjon, mens fagfolkene beholder ansvaret for tolkning og varsling, har den allerede levert noe langt viktigere enn enda en chatbot med nytt navn.

Hva betyr det at modellen blir open source?

Google har publisert både kode og ferdigtrente modellvekter for WeatherNext 2 og WeatherNext Cyclones. Det offisielle GitHub-repositoriet inneholder også en miniutgave og en Colab-notebook som gjør det mulig å prøve modellen uten å sette opp hele forskningsmiljøet lokalt.

Den komplette modellen er ikke lettvektsprogramvare. Google anbefaler TPU, og oppgir at de store variantene trenger en Nvidia H100 hvis de kjøres på GPU. Miniutgaven skal kunne kjøre på en P100 eller én TPU. «Åpen» betyr altså at forskere kan undersøke, kjøre og bygge videre på modellen, ikke at alle kan lage en global orkansentral på en vanlig laptop.

Koden er lisensiert med Apache 2.0, mens annet materiale bruker CC BY 4.0. Det gjør publiseringen konkret: Dette er ikke bare en artikkel med løfte om framtidig tilgang. Modellvekter, eksempeldata og kjøreinstruksjoner er tilgjengelige, og forskere kan forsøke å gjenskape resultatene eller tilpasse systemet til lokale behov.

Det er også her spørsmålet om den lave oppløsningen kan bli vitenskap, ikke bare en merkelig observasjon fra Google. Uavhengige fagmiljøer kan lete etter hvilke atmosfæriske mønstre modellen bruker, teste svakheter i andre havområder og undersøke om mindre modeller gir nyttige prognoser der regnekraften er begrenset.

Hvor mye bør vi stole på gjennombruddet?

Resultatene fortjener oppmerksomhet fordi de er publisert i Nature, bygger på flere stormsesonger og inkluderer forskere fra operative værmiljøer. WeatherNext ble også brukt i sanntid gjennom 2025-sesongen. Dette er mye mer enn en pen demonstrasjon på nøye utvalgte data.

Men ordet «gjennombrudd» bør fortsatt ha en fot på bremsen. Store deler av evalueringen er historisk, ekstremstormer er sjeldne, og modellen må bevise seg sesong etter sesong. Nature viser også en tidlig, uredigert manuskriptversjon mens den endelige produksjonsredigeringen pågår. Resultatene er fagfellevurdert, men presentasjonen kan fortsatt bli rettet.

Den mest presise konklusjonen er derfor ikke at DeepMind alltid varsler alle orkaner tidligere enn alle andre. Den er at WeatherNext i evalueringen ga minst ett døgns gjennomsnittlig forsprang mot ledende operative modeller på tre sentrale mål, og at systemet allerede har levert nyttig veiledning i en ekte orkansesong.

Det er sterkt nok. WeatherNext føyer seg også inn i DeepMinds bredere arbeid med AI som vitenskapelig verktøy. Når Google i tillegg åpner kode og vekter, kan resten av værmiljøet kontrollere påstanden og finne ut hvorfor den grove modellen ser detaljer forskerne ikke ventet å finne. Akkurat den kombinasjonen av målbar nytte, et uløst vitenskapelig spørsmål og åpen tilgang er grunnen til at WeatherNext skiller seg ut.

Ofte stilte spørsmål