Jesper Bengtson
Google DeepMinds nye vejrmodel så orkanen Melissas ødelæggende ramme mod Jamaica komme fem dage før den nåede land.
Modellen, der hedder WeatherNext Cyclones, arbejder med atmosfæriske data i et gitter cirka 100 gange grovere end det traditionelle intensitetsmodeller bruger, og alligevel ramte den fem dage i forvejen på, at Melissa ville ramme Jamaica som kategori 5-orkan. Forskerne bag modellen har selv svært ved at forklare, hvorfor det virker så præcist.
Google har netop frigivet kode og modelvægte som open source på GitHub og publiceret forskningen i det videnskabelige tidsskrift Nature. Baggrunden er en hel orkansæson i operationelt samarbejde med det amerikanske National Hurricane Center.
Én ekstra dags varsel
Den centrale påstand er, at systemet giver en hel dags ekstra præcision oven på de traditionelle vejrmodeller. Konkret matcher WeatherNexts tre-dages varsel den præcision, tidligere systemer først kunne levere efter to dage.
Netop den dag er, hvad man i redningsberedskabet omregner i menneskeliv. “Tid er virkelig guld værd, når man skal træffe den slags beslutninger,” siger direktøren for National Hurricane Center, Mike Brennan, til BigGo Finance. Bag ordene ligger evakueringer og forberedelser, der kræver dage, ikke timer.
Mysteriet med de grove data
Det opsigtsvækkende er ikke bare præcisionen, men den datamængde modellen kommer frem til den på. WeatherNext Cyclones arbejder i et gitter på 28 gange 28 kilometer, hvilket er omkring 100 gange grovere end de specialiserede intensitetsmodeller, meteorologer normalt bruger til at forudsige hvor kraftig en orkan bliver.
En kompakt udgave, WeatherNext 2-mini, kører endda i et gitter på 111 gange 111 kilometer og kan afvikles på en enkelt processor uden at miste den brugbare varselstid.
Hvorfor et så groft input leverer så præcise varsler, kalder forskerne selv et åbent spørgsmål, som andre nu må grave i. “Vi har ikke ret meget orkandata, men vi har en masse almindelig vejrdata,” forklarer Ferran Alet fra Google DeepMind grundtanken bag træningen af modellen.
Trænet på 5.000 tidligere storme
Modellen er trænet på cirka 20 terabyte globale vejrdata kombineret med orkandatabasen IBTrACS, der dækker omkring 5.000 historiske storme. Den kombinerede træning er nøglen til, at ét enkelt system både kan forudsige hvor en orkan bevæger sig hen, og hvor kraftig den bliver, hvilket hidtil har krævet to forskellige typer modeller.
Et resultat er, at systemet i orkansæsonen 2026 producerer op mod 1.000 alternative scenarier pr. storm, mod 50 scenarier under 2025-sæsonen. En hel 15-dages prognose kan genereres på under et minut på en enkelt Google-processor.
Beviset fra Melissa
Den afgørende praktiske test kom under orkanen Melissa i oktober 2025. Da stormen endnu blot var en kategori 1, forudsagde WeatherNext, at den ville ramme Jamaica som fuld kategori 5-orkan fem dage senere. Modellen kørte som del af den operationelle vejledning hos National Hurricane Center, hvis egne forskere står som medforfattere på Nature-artiklen.
“Jeg tror, alle blev overraskede over, hvor godt den klarede sig,” siger Kate Musgrave fra Cooperative Institute for Research in the Atmosphere ved Colorado State University, som har hjulpet med at validere modellen.
Ud over det amerikanske National Hurricane Center og forskningsinstituttet i Colorado har det britiske Met Office bidraget til udviklingen. Ved at lægge både kode og modelvægte åbent på GitHub håber Google DeepMind, at andre forskningsinstitutioner og vejrtjenester verden over kan bygge videre og forbedre varslingen af ekstremvejr yderligere.
