Давайте для разнообразия про что-то полезное в народном хозяйстве. Про погоду.

WeatherNext 3: Increasing resolution and performance of global weather models with raw observations
Stephan Rasp, Boris Babenko, Dominic Masters, Andrew El-Kadi, Samier Merchant, Guy Shalev, Ilan Price, Fred Zyda, Remi Lam, Sasha Shysheya, Matthew Willson, Stratis Markou, Shreya Agrawal, Suhani Vora, Mohammed Alewi Hassen, Sunny Mak, Tom R. Andersson, Megan Bela, Akib Uddin, Nofar Peled Levi, Ben Gaiarin, Ferran Alet, Aaron Bell, Peter Battaglia, and Alvaro Sanchez-Gonzalez
Paper: https://arxiv.org/abs/2609.03582
Review: https://arxiviq.substack.com/p/weathernext-3-increasing-resolution
Code: N/A
Model: https://developers.google.com/weathernext/guides/models
Blog: https://deepmind.google/science/weathernext/

ЧТО сделали: Авторы представили WeatherNext 3 (WN3) — оперативную глобальную вероятностную систему прогнозирования погоды на базе функциональных генеративных сетей (Functional Generative Networks), которая полностью отказывается от классической зависимости от численных реанализов. Работая по схеме «энкодер–процессор–декодер» на многомасштабной икосаэдрической сетке, WN3 напрямую принимает сырые низколатентные геостационарные спутниковые мозаики и предсказывает как поля высокого разрешения на регулярной сетке (почасовые приземные переменные с шагом 0.1° и спутниковые осадки), так и внесеточные непрерывные переменные, включая приземную температуру и точку росы на конкретных метеостанциях, а также характеристики тропических циклонов.

ПОЧЕМУ это важно: Традиционное численное прогнозирование погоды (NWP) и ранние нейросетевые модели жёстко привязаны к циклам анализа атмосферы. Эти циклы отстают от реального времени на 6–12 часов, наследуют систематические погрешности реанализа и отбрасывают неструктурированные наблюдения. Объединив усвоение данных, моделирование динамики и локальный статистический постпроцессинг в единый end-to-end пайплайн, WN3 устанавливает новый SOTA в вероятностном среднесрочном прогнозе. Модель даёт выигрыш в оперативной актуальности на 2–3 часа за счёт почасовой инициализации, снижает ошибку CRPS на 30–40% для приземной температуры на станциях по сравнению с физическими и нейросетевыми бейзлайнами и уменьшает ошибку прогноза осадков на коротких горизонтах вплоть до 60%.

Для практиков: Прогноз погоды исторически строился в три изолированных этапа: объединение показаний сотен датчиков в сглаженное сеточное состояние атмосферы, расчёт физических уравнений на суперкомпьютере и последующий локальный статистический даунскейлинг под рельеф конкретных станций. Поскольку глобальный анализ считается часами и выходит лишь раз в 6 часов, прогнозы устаревают ещё до публикации. WN3 сжимает эту цепочку в одну нейросеть: модель ежечасно принимает свежие спутниковые снимки, обучается напрямую по данным физических метеостанций и радаров и выдаёт локализованный прогноз с учётом высоты и рельефа местности без ручного постпроцессинга, значительно превосходя и классические физические ансамбли, и существующие погодные нейросети.

Предсказывать погоду тут: https://t.me/gonzo_ML_podcasts/4806