WeatherNext 3は天気予報をどう変える？衛星データを直接読む気象AIの仕組み｜2026年9月16日版
Google DeepMindとGoogle Researchが発表した「WeatherNext 3」の重要な変化は、単に予報を細かくしたことではありません。静止気象衛星の観測画像をモデルへ直接取り込み、世界規模の予報を1時間ごとに更新できるようにしたことです。
急速に発達する雨雲や前線を早く予報へ反映しやすくなり、防災、再生可能エネルギー、物流などでAI気象予報を利用する余地が広がります。一方、5キロメートル級の出力が、そのまま街区単位の確実な予報や公的な警報を意味するわけではありません。
- 衛星観測を直接入力し、毎時新しい予報を生成
- 地上の気温・露点は約5キロ、地表面の主要変数は約10キロの解像度
- 64メンバーのアンサンブルで予報の不確実性も表現
- BigQuery、Earth Engine、Google Cloud Storageなどから利用可能
WeatherNext 3で何が変わったのか
従来のWeatherNext 2は、主に25キロメートル格子、6時間間隔で予報を出していました。WeatherNext 3では、対象となる変数に応じて空間解像度を細かくし、時間間隔を1時間へ短縮しています。
主な仕様は次の通りです。
- 初期化頻度：1日24回、毎時更新
- 時間解像度：1時間
- 予報期間：主要な6時間周期では最長15日、途中の毎時運用では48時間
- アンサンブル数：64メンバー
- 地上観測向け出力：気温と露点を約5キロ相当
- 地表面の格子出力：風、雲、日射、降水などを約10キロ
- 上空の気象場：気圧面データを約25キロ
ここで注意したいのは、すべての予報が常に「5キロ・15日先」ではない点です。変数や更新時刻によって解像度と予報期間が異なるため、システムへ組み込む際はデータセットの仕様確認が欠かせません。
技術の核心は衛星画像を直接取り込む設計
WeatherNext 3は、低遅延の静止気象衛星モザイクと気象解析データを入力し、「Functional Generative Network（FGN）」を使ったメッシュTransformerで予報を生成します。
6時間待たずに新しい観測を反映
全球気象モデルでは、観測データの収集、データ同化、計算という工程の都合から、主要な予報サイクルが6時間ごとになることがあります。WeatherNext 3は衛星画像を直接扱うことで、その間を埋める毎時予報を可能にしました。
これは、数日先の予報期間を伸ばすためだけの技術ではありません。発達中の雲域を直近の観測から捉え、変化の速い現象について新しい予報を早く出すことに意味があります。
地点観測を別の出力先として学習
もう一つの特徴は、再解析データの格子だけでなく、実際の気象観測所で測られた気温や露点も学習に利用していることです。
地形や標高の影響を受ける地上気温は、粗い格子へ平均化すると地域差が薄れます。WeatherNext 3は地点を指定して値を出す観測用のヘッドを備え、学習時に使われていない観測地点でも、地理的な特徴を条件として予測できる設計です。
ここがポイント: WeatherNext 3は、従来の数値予報を単に高速化したモデルではありません。衛星、観測所、降水観測という異なる実測データを予報モデルへ近づけ、観測から出力までの流れを一体化しようとしています。
雨の予測は何が改善したのか
雨は局地性が強く、AI気象モデルにとって難しい対象です。WeatherNext 3は、欧州中期予報センターの再解析データに加え、NASAの衛星降水データ「IMERG」と、Googleの衛星・レーダー降水再解析を学習に使用しています。
Googleの開発者向け資料では、IMERG観測を基準とした評価で、数値予報の基準モデルに比べてBrier scoreとCRPSが最大50％改善したと説明されています。これらは、確率予報の精度や分布のずれを測る指標です。
ただし、「あらゆる場所の雨予報が50％正確になった」という意味ではありません。最大値を示す評価結果であり、地域、予報時間、降水の種類によって性能は変わります。局地的な豪雨や地形性降雨については、日本の高密度なレーダー・観測網を使う国内の予報と役割を分けて見る必要があります。
開発者はどのデータを使えるのか
WeatherNext 3のデータは、BigQuery、Google Earth Engine、Google Cloud Storage、Google Maps Platformなどを通じて提供されます。用途ごとに、利用できるデータの粒度が異なります。
アプリや業務システムで想定される用途
- 物流拠点ごとの降雨・風リスクの事前判定
- 太陽光発電向けの日射量と雲量の予測
- 風力発電向けの高度100メートルの風速予測
- 農業での気温、湿度、降水の時系列分析
- 観光・イベント運営での天候変化の監視
- 災害対応ダッシュボードへの予測レイヤー追加
WeatherNext 2から移行する場合は、降水量の集計方法にも注意が必要です。旧版の6時間積算値に対し、WeatherNext 3には1時間積算の降水変数があります。日単位の雨量を求める処理では、変数名だけを置き換えず、1時間値を正しく合算する実装へ変更しなければなりません。
また、履歴データの整備状況は運用判断に直結します。Googleの資料では2026年分が提供され、2024年と2025年分は順次補完される予定です。長期間のバックテストを必要とする業務では、利用可能な期間を先に確認する必要があります。
日本の防災でどう位置づけるべきか
日本では、台風、線状降水帯、大雪などの判断に、気象庁の予報や警報が使われます。WeatherNext 3は、それを置き換える公的情報ではありません。Google自身もWeather Labを実験的な研究環境と位置づけ、公式の予報や警報は各国の気象機関を参照するよう案内しています。
実務では、次のような使い分けが現実的です。
- 避難や休業の判断：気象庁と自治体の警報・避難情報を基準にする
- 早期の準備：AI予報を資材、人員、輸送経路の確認に利用する
- 複数拠点の比較：同じ形式の全球データで海外を含む拠点を監視する
- 検証：実際の観測値と予測を保存し、自社用途での精度を評価する
細かな格子は便利ですが、解像度の数字だけで判断してはいけません。約5キロという値は、5キロ四方のすべての地点で同じ精度を保証するものではなく、道路の冠水や斜面崩壊を直接予測する指標でもないからです。
継続ウォッチ
WeatherNext 3が実務で定着するかは、モデルの平均的な精度だけでは決まりません。今後は次の点が焦点になります。
- 日本の台風、梅雨前線、降雪での第三者評価
- 毎時更新が短時間の降水予測へ与える効果
- APIやクラウドデータの料金、遅延、提供地域
- 過去データの補完状況とバックテストの再現性
- 気象庁などの公的データと組み合わせる際の運用設計
今日のまとめ
WeatherNext 3の前進は、予報格子を細かくしたこと以上に、最新の衛星観測を直接読み、毎時更新できる全球AI予報を実用サービスへつないだことにあります。
開発者にとっては、検索や地図で結果を見るだけでなく、クラウド上の予報データを自社システムへ組み込める点が重要です。まず確認すべきなのは「5キロ」という見栄えのよい数字ではなく、必要な変数、更新サイクル、予報期間、履歴データが自社の判断場面に合うかどうかです。
防災用途なら、公的な警報を判断の中心に置いたうえで、WeatherNext 3を準備時間を増やす補助情報として検証する。その役割分担が、導入時の具体的な出発点になります。