Google DeepMind hat die grundlegenden Datensätze hinter seinem neuesten Wettermodell veröffentlicht und Forschenden damit freien Zugang zu den Beobachtungen verschafft, die seine Vorhersagen ermöglichen.
Der erste Datensatz, SatWeave, ist ein globales Mosaik geostationärer Satellitenbilder. Er verbindet Beobachtungen von sechs geostationären Satelliten — GOES-East und GOES-West, Meteosat 0 und Meteosat Indian Ocean sowie Himawari —, die unterschiedliche Kartenprojektionen, Dateiformate, Sensoren und Scan-Zeitpläne nutzen. Während die meisten bestehenden globalen Komposite inkompatible Aspekte weglassen oder nur alle paar Stunden aktualisieren, fügt SatWeave sie über 17 Kanäle im sichtbaren, Wasserdampf- und Infrarotbereich zu einer einzigen globalen Karte zusammen, die stündlich aktualisiert wird. DeepMind veröffentlicht sowohl den stündlichen Live-Feed als auch ein historisches Archiv über mehr als ein Jahrzehnt.
Der zweite Datensatz, PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM), ist eine KI-basierte globale Niederschlagskarte. Er wird direkt auf den spärlichen Radar-Beobachtungen aus dem Weltraum vom GPM-Kernobservatorium der NASA trainiert und nutzt SatWeave-Bilder sowie atmosphärische Felder von ECMWF als Eingaben. Das Ergebnis ist ein globales Niederschlagsfeld mit 15-minütiger zeitlicher und rund 10 Kilometern räumlicher Auflösung, das mit einer durchschnittlichen Latenz von etwa fünf Stunden aktualisiert wird.
Laut DeepMind übertrifft PARDIG die führenden globalen Referenzprodukte über alle analysierten Regenraten hinweg, einschließlich des viel genutzten Forschungsprodukts IMERG-Final der NASA, und verbessert die stündliche Niederschlagserkennung bei leichtem bis mäßigem Regen um mehr als 30 Prozent. Besonders wirksam sei es bei der Erfassung extremer Niederschläge, die bestehende globale Produkte oft verfehlen. Da PARDIG direkt von Satelliten lernt, statt auf Bodenmessungen angewiesen zu sein, erwartet DeepMind eine recht zuverlässige Genauigkeit auch in Regionen ohne dichte Radar- oder Regenmessnetze.
Beide Datensätze speisen WeatherNext 3, das fortschrittlichste globale Wetter-KI-Modell des Unternehmens. Ihre Live- und historischen Versionen sind nun offen auf Google Cloud Storage verfügbar, die historischen Kataloge von PARDIG zudem in Google Earth Engine.
DeepMind rahmt die Veröffentlichung als Beitrag zur Erweiterung des Ökosystems: Die Community solle Anwendungen von Überschwemmungen, Erdrutschen und Dürren — besonders in Regionen ohne dichte Bodenradare — bis hin zur Solarstromprognose und Waldbrandüberwachung erkunden.

