Google presenta el modelo de IA WeatherNext 3 con pronósticos más nítidos
Google lanza WeatherNext 3, un modelo meteorológico de IA que ofrece una resolución cinco veces más nítida y pronósticos de precipitación un 50% más precisos.
Google anunció el lanzamiento de WeatherNext 3, que la empresa describe como su modelo global de IA meteorológica más avanzado y preciso. [1]
Los sistemas de predicción meteorológica basados en inteligencia artificial ahora superan a los modelos físicos de última generación para la predicción meteorológica a mediano plazo. [2] Google afirma que en los pronósticos globales a mediano plazo, WeatherNext 3 muestra una mejora en la Puntuación de Probabilidad Clasificada Continua de hasta un 50% frente a IMERG, un 30% para MRMS y un 10% frente a las mediciones de pluviómetros para los primeros tiempos de anticipación. [3] El nuevo modelo genera pronósticos por hora a múltiples resoluciones espaciales, incluyendo temperatura y humedad a una resolución de 5 kilómetros, variables de superficie a 10 kilómetros y velocidad del viento a 25 kilómetros. [4]
WeatherNext 3 utiliza un mosaico de datos satelitales geoestacionarios globales en vivo para aprender directamente de observaciones en tiempo real en lugar de depender únicamente de modelos numéricos de predicción meteorológica. [5] Los modelos globales actuales de IAWP se entrenan casi exclusivamente con un conjunto de datos de reanálisis, ERA5, pero este tiene sesgos conocidos, particularmente para la precipitación. [6] El modelo supera la puntuación de habilidad de Brier de los modelos operativos de última generación en la predicción de lluvias extremas en un 57% a nivel mundial. [7]
El modelo resultante mejora las puntuaciones de probabilidad clasificada continua a mediano plazo en hasta un 19%. [8]Google announced the release of WeatherNext 3, which the company describes as its most advanced and accurate global weather AI model. [1]
Artificial intelligence weather prediction systems now surpass state-of-the-art physical models for medium-range weather forecasting. [2] Google claims that in medium-range global forecasts, WeatherNext 3 shows a Continuous Ranked Probability Score improvement of up to 50% against IMERG, 30% for MRMS, and 10% against rain gauge measurements for early lead times. [3] The new model generates hourly forecasts at multiple spatial resolutions, including temperature and moisture at 5-kilometer resolution, surface variables at 10 kilometers, and wind speed at 25 kilometers. [4]
WeatherNext 3 utilizes a mosaic of live, global geostationary satellite data to learn directly from real-time observations rather than relying solely on numerical weather prediction models. [5] Current global AIWP models are trained almost exclusively using one reanalysis dataset, ERA5, but it has known biases, particularly for precipitation. [6] The model exceeds the Brier skill score of state-of-the-art operational models on extreme rainfall prediction by 57% globally. [7]
The resulting model improves medium-range continuous ranked probability scores by up to 19%. [8]
Prueba8 fuentes · 2 medios
En qué se apoya
Google anunció el lanzamiento de WeatherNext 3, que la empresa describe como su modelo de IA meteorológica global más avanzado y preciso. · 9to5Google
Los sistemas de predicción meteorológica por inteligencia artificial ahora superan a los modelos físicos de última generación en pronósticos meteorológicos de mediano plazo. · arXiv.org
Google afirma que en pronósticos globales de mediano plazo, WeatherNext 3 muestra una mejora en el puntaje de probabilidad clasificada continua de hasta un 50% frente a IMERG, un 30% para MRMS y un 10% frente a mediciones de pluviómetros en plazos de entrega tempranos. · 9to5Google
El nuevo modelo genera pronósticos horarios en múltiples resoluciones espaciales, incluyendo temperatura y humedad en resolución de 5 kilómetros, variables de superficie en 10 kilómetros y velocidad del viento en 25 kilómetros. · 9to5Google
WeatherNext 3 utiliza un mosaico de datos satelitales geoestacionarios globales en vivo para aprender directamente de observaciones en tiempo real en lugar de depender únicamente de modelos de predicción numérica del tiempo. · 9to5Google
Los modelos globales actuales de IA meteorológica se entrenan casi exclusivamente con un conjunto de datos de reanálisis, ERA5, pero tiene sesgos conocidos, particularmente en precipitación. · arXiv.org
El modelo supera el puntaje de habilidad de Brier de los modelos operativos de última generación en la predicción de lluvias extremas en un 57% a nivel global. · arXiv.org
El modelo resultante mejora los puntajes de probabilidad clasificada continua de mediano plazo en hasta un 19%. · arXiv.org
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 8 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel viernes, 4 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)0100286642093890ddfec2b984f2c1a571ce9663a5f2a53e59dd1790a999af73
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro