WeatherNext (Google DeepMind)

Teknisk arkitektur: saadan virker WeatherNext 2

1. Functional Generative Networks (FGN). Kernen i WeatherNext 2 er en ny type neural netværksarkitektur kaldet Functional Generative Networks. I stedet for at generere et enkelt deterministisk resultat, injicerer FGN kontrolleret støj i funktionsrummet under prognosen. Konkret bruger modellen en 32-dimensionel Gaussisk støjvektor, der skaber fysisk kohærent variabilitet i output. Resultatet er hundredvis af mulige vejrscenarier fra et enkelt udgangspunkt, hvilket gør det muligt at kvantificere usikkerhed præcist.

2. Graph Neural Network encoder/decoder. WeatherNext 2 mapper mellem et regulært gitter (de rå vejrdata) og en latent repræsentation defineret på et sfærisk, seksdobbelt forfinet ikosaedrisk mesh. En graph neural network encoder oversætter observationer til dette mesh, og en tilsvarende decoder oversætter tilbage til gitteret. Denne arkitektur fanger jordens kugleform langt bedre end konventionelle 2D-gitter, der forvrænger polområderne.

3. Graph Transformer. Mellem encoder og decoder opererer en graph transformer på mesh-noderne. Produktionsmodellen bruger 24 transformer-lag med en latent dimension på 768 og cirka 180 millioner parametre per model-seed. Transformer-arkitekturen er den samme grundlæggende teknologi, der driver store sprogmodeller som LLM'er, men her er den tilpasset rumlige vejrdata i stedet for tekstsekvenser.

4. Ensemble-generering uden ensemble-kørsel. Traditionelle vejrmodeller som ECMWF's ENS kører 51 separate simuleringer med let varierede startbetingelser for at skabe et ensemble. Det kræver 51 gange beregningskraften. WeatherNext 2 genererer funktionelt ækvivalente ensembler ved at variere støjvektoren, hvilket giver hundredvis af scenarier til en brøkdel af beregningsomkostningen. Hver prognose tager under et minut på en enkelt Google TPU.

5. 8x hurtigere end forgængeren. WeatherNext 2 er 8 gange hurtigere end den originale WeatherNext-model. Hastighedsforbedringen skyldes dels en mere effektiv netværksarkitektur, dels bedre udnyttelse af TPU-hardwaren. For en erhvervskunde betyder det, at en 15-dages prognose med 500 ensemble-medlemmer kan beregnes på få minutter i stedet for timer.

6. Opløsning og tidshorisonter. Modellen leverer prognoser med op til 1-times opløsning, hvilket er en markant forbedring i forhold til de 6-timers intervaller, som mange AI-vejrmodeller opererer med. Tidshorisonten strækker sig til 15 dage. Til sammenligning opererer GraphCast typisk med 6-timers opløsning og 10 dages horisont, mens Pangu-Weather bruger 6 timers intervaller op til 7 dage.

7. Forskellen fra diffusionsmodeller. Googles egen GenCast-model bruger diffusionsmodeller (samme teknologi som billedgenerering) til at skabe probabilistiske vejrprognoser. WeatherNext 2 tager en fundamentalt anderledes tilgang med FGN, der injicerer støj direkte i funktionsrummet i stedet for at iterere gennem en støjfjernelsesproces. Det giver hurtigere inferens og mere direkte kontrol over ensemble-spredningen.

8. Hvad modellen forudsiger. WeatherNext 2 dækker hundredvis af vejrvariabler, herunder vindstyrke og -retning, nedbør, lufttryk, temperatur, luftfugtighed og skydække. Den kan forudsige cykloners sandsynlige bane, intensitet, struktur og størrelse samt hvor de vil dannes, op til 15 dage frem. Det er direkte relevant for virksomheder med globale forsyningskæder, hvor en cyklon i Sydøstasien kan forsinke leverancer til europæiske havne.

9. Kendte tekniske begrænsninger. Ligesom andre AI-vejrmodeller har WeatherNext 2 en tendens til at undervurdere ekstreme hændelser. Forskning publiceret i Science Advances i 2026 viste, at AI-modeller som GraphCast og Pangu-Weather undervurderede 99. percentil-nedbørshændelser med 20-35 % sammenlignet med observationer, mens ECMWF HRES kun undervurderede med 10-15 %. Google har ikke offentliggjort specifikke tal for WeatherNext 2 på dette punkt, men fysikbaserede modeller har stadig en fordel ved ekstreme vejrhændelser.

Vil du udnytte AI-drevne vejrdata i din virksomheds beslutningsprocesser? Vi hjælper med at integrere WeatherNext og andre AI-vejrmodeller i jeres eksisterende workflows, fra energihandel til logistikplanlægning. Kontakt os for en uforpligtende vurdering af, hvordan vejr-AI kan reducere jeres operationelle risiko.

Konkrete anvendelser for danske virksomheder

Energiproduktion og -handel. Vindenergi udgør over 50 % af Danmarks elproduktion. Præcise vindprognoser 15 dage frem med times opløsning giver elhandlere mulighed for at optimere bud på spotmarkedet og reducere ubalanceomkostninger. En forbedring på blot 5 % i prognosenøjagtigheden kan betyde millioner i sparet balanceringsenergi for en stor vindmølleoperatør som Ørsted eller Vestas' servicedivision.

Logistik og transport. Danske transportvirksomheder som DSV og DFDS opererer globale netværk, hvor vejret direkte påvirker leveringstider og sikkerhed. Med 500 ensemble-scenarier kan et logistiksystem automatisk beregne sandsynligheden for forsinkelser på specifikke ruter og proaktivt omdirigere gods. Det er særligt relevant for søtransport, hvor vindstød og bølgehøjde afgør, om et skib kan anløbe Esbjerg Havn til tiden.

Landbrug og fødevareproduktion. Danske landmænd træffer beslutninger om såning, sprøjtning og høst baseret på vejrprognoser. En 15-dages probabilistisk prognose med times opløsning giver mulighed for at planlægge høst i et vindue med 90 % sandsynlighed for tørt vejr. For en stor kornproducent kan forskellen mellem korrekt og forkert timing af høsten betyde et tab på 50.000-100.000 kr. per mark.

Forsikring og risikostyring. Forsikringsselskaber som Tryg og Topdanmark bruger vejrdata til at prissætte policer og estimere skader efter storme. WeatherNext' evne til at forudsige cyklonbaner og stormintensitet 15 dage frem giver aktuarer bedre grundlag for risikomodellering. Jupiter Intelligence, en konkurrent i dette segment, tilbyder allerede AI-drevet klimarisikomodellering til den finansielle sektor.

Detailhandel og forsyningskæde. Vejret påvirker salg af alt fra is til vinterfrakker. Med detaljerede prognoser kan en detailkæde som Salling Group justere indkøb og lagerplacering baseret på forventede temperaturskift de næste to uger. Google selv fremhæver, at WeatherNext ændrer planlægning af detaillagre, logistikforstyrrelser og distributionsvedligeholdelse.

Bygge- og anlægsbranchen. Danske entreprenører taber arbejdsdage til uforudset vejr. En probabilistisk 15-dages prognose kan identificere vinduer med stabilt vejr til støbning, tagarbejde eller kranoperationer. For et stort byggeprojekt som Femern-forbindelsen kan optimeret vejrplanlægning spare hundredtusinder per uge i standby-omkostninger.

Kommunal beredskab og infrastruktur. Danske kommuner og beredskabsmyndigheder kan bruge ensemble-prognoser til at beregne sandsynligheden for oversvømmelser, stormflod eller snestorme og aktivere beredskabsplaner gradueret efter risiko. Det er relevant for kystbyer som København, Odense og Aalborg, der alle har udfordringer med skybrudshåndtering.

Konkurrenter og alternativer til WeatherNext

GenCast (Google DeepMind). GenCast er Googles egen ældre probabilistiske vejrmodel, bygget på diffusionsteknologi. GenCast overgik ECMWF's fulde 51-medlems ensemble på 97,2 % af 1.320 mål i perioden 1-15 dages horisont og var 15 % bedre end ECMWF på cyklonbaner. WeatherNext 2 er den direkte efterfølger med hurtigere inferens (FGN vs. diffusion) og højere opløsning (1-time vs. 6-timer). GenCast er stadig tilgængelig, men WeatherNext 2 er nu Googles primære model.

GraphCast (Google DeepMind). GraphCast var Googles første store AI-vejrmodel, lanceret i 2023. Den bruger graph neural networks og leverer 10-dages deterministiske prognoser med 6-timers opløsning. GraphCast overgik Pangu-Weather på 99,2 % af målene, men er en deterministisk model uden probabilistisk ensemble-funktionalitet. Den er gratis tilgængelig som open source og kan køres lokalt.

Pangu-Weather (Huawei). Huaweis deep learning-model fra 2023 var en af de første AI-vejrmodeller, der matchede traditionelle NWP-modeller. Pangu-Weather matchede eller overgik ECMWF HRES på 73 % af evalueringsmetrikker. Modellen bruger en 3D Earth-Specific Transformer og er tilgængelig som open source. Begrænsningen er 6-timers opløsning og op til 7 dages horisont, markant kortere end WeatherNext 2's 15 dage.

AIFS (ECMWF). Det Europæiske Center for Mellemfristede Vejrprognoser udvikler sin egen AI-model, AIFS, som integrerer machine learning direkte i deres eksisterende fysikbaserede system. ECMWF har den fordel, at de besidder verdens mest omfattende vejrdatasæt og årtiers ekspertise i numerisk vejrmodellering. Deres hybridtilgang, der kombinerer AI med fysikligninger, kan potentielt løse problemet med undervurdering af ekstreme hændelser.

Aurora (Microsoft). Microsofts AI-vejrmodel fokuserer på global atmosfærisk modellering. Aurora bruger en foundation model-tilgang, hvor modellen pretrænes på store mængder klimadata og derefter fintunes til specifikke prognoseopgaver. Microsoft tilbyder Aurora gennem Azure-platformen, men den er primært rettet mod forskningsbrug.

Salient Predictions. En startup der fokuserer specifikt på erhvervsanvendelser af AI-vejrdata. Salient leverer sæsonprognoser (2-52 uger frem) til energi-, landbrugs- og forsyningskædesektoren. Prissætningen er abonnementsbaseret og rettet mod enterprise-kunder. Salient udfylder et nichesegment, som de store tech-modeller ikke primært adresserer.

Hvor WeatherNext er unik. WeatherNext 2's kombination af 1-times opløsning, 15-dages horisont og hurtig ensemble-generering via FGN er uovertruffen per maj 2026. Den har den bredeste integration i forbruger- og erhvervsprodukter (Google Search, Maps, Pixel Weather, Vertex AI). Til gengæld er GraphCast og Pangu-Weather open source, hvilket giver fuld transparens og mulighed for lokal tilpasning. ECMWF's hybridtilgang har stadig en fordel ved ekstreme hændelser. Ingen enkelt model er bedst til alt.