Google ha pubblicato i modelli della famiglia WeatherNext utilizzati per la previsione dei cicloni tropicali, accompagnando il rilascio open source con uno studio sottoposto a revisione paritaria e pubblicato su Nature. Il sistema principale, denominato WeatherNext Cyclones, produce previsioni probabilistiche della traiettoria, dell’intensità e delle dimensioni delle tempeste fino a 15 giorni di anticipo. Nei test condotti sui cicloni verificatisi tra il 2023 e il 2025, il modello ha ottenuto mediamente almeno 24 ore di vantaggio rispetto ai principali sistemi operativi utilizzati come riferimento. Una previsione a tre giorni generata da WeatherNext raggiunge quindi una precisione paragonabile a quella che i modelli precedenti ottenevano a due giorni, con un miglioramento che i ricercatori paragonano a circa un decennio di progresso operativo concentrato in un unico sistema.
WeatherNext Cyclones è stato sviluppato congiuntamente da Google DeepMind e Google Research, in collaborazione con previsori e ricercatori del National Hurricane Center statunitense, del Cooperative Institute for Research in the Atmosphere e del Met Office britannico. L’addestramento ha combinato analisi globali dell’atmosfera con il database IBTrACS, che raccoglie informazioni su quasi 5.000 tempeste tropicali storiche. Il modello non restituisce una sola traiettoria considerata più probabile, ma utilizza Functional Generative Networks per generare distribuzioni di probabilità e numerosi scenari alternativi. Questo approccio consente di rappresentare l’incertezza e di valutare eventi meno probabili ma potenzialmente molto pericolosi, come una rapida intensificazione o un cambiamento improvviso del percorso previsto.
Il sistema può produrre ensemble composti da 1.000 possibili evoluzioni per ciascun ciclone, un numero venti volte superiore ai 50 membri utilizzati dalla generazione precedente. Ogni componente dell’ensemble rappresenta uno scenario meteorologico plausibile e l’insieme permette ai previsori di osservare non soltanto il percorso medio atteso, ma anche la dispersione delle traiettorie, la probabilità di differenti intensità e le possibili variazioni nella struttura dei venti. L’aumento del numero degli scenari è particolarmente utile per gli eventi estremi, nei quali una possibilità statisticamente minoritaria può avere conseguenze molto rilevanti per le decisioni di evacuazione, la preparazione delle infrastrutture e il posizionamento anticipato delle squadre di emergenza. Nel corso del 2026 il sistema viene già utilizzato per generare 1.000 scenari per ogni ciclone seguito operativamente.
Uno degli aspetti tecnici più significativi riguarda la risoluzione spaziale utilizzata dal modello. Le previsioni tradizionali dell’intensità dei cicloni dipendono normalmente da simulazioni regionali ad altissima risoluzione, considerate necessarie per rappresentare correttamente la struttura interna della tempesta. WeatherNext Cyclones lavora invece su dati con celle di 28 per 28 chilometri, una risoluzione circa cento volte più grossolana rispetto a quella di alcuni modelli regionali convenzionali. La versione compatta WeatherNext 2-mini utilizza addirittura una griglia di 111 per 111 chilometri e mantiene comunque prestazioni considerate competitive. I risultati indicano quindi che un’elevata risoluzione non rappresenta necessariamente un requisito indispensabile per ottenere previsioni avanzate dell’intensità, anche se i ricercatori non hanno ancora chiarito completamente in che modo il modello riesca a estrarre segnali così precisi da dati spazialmente meno dettagliati.
La valutazione non è stata limitata a simulazioni retrospettive. Durante la stagione degli uragani atlantici del 2025, WeatherNext Cyclones è stato eseguito parallelamente ai sistemi impiegati dal National Hurricane Center e ha contribuito ad anticipare la rapida intensificazione dell’uragano Melissa e il successivo impatto sulla Giamaica. Il sistema ha fornito indicazioni sufficientemente anticipate da supportare un’allerta precoce, permettendo ai meteorologi di confrontare le previsioni del modello con quelle degli strumenti operativi tradizionali durante un evento reale. Questo utilizzo ha consentito di verificare non soltanto l’accuratezza numerica, ma anche la capacità del modello di produrre informazioni utilizzabili all’interno dei processi decisionali dei previsori.
Google ha reso disponibili tre varianti. WeatherNext Cyclones è il modello utilizzato nella stagione operativa e valutato nello studio scientifico; WeatherNext 2 rappresenta l’aggiornamento successivo, reso operativo nell’ottobre 2025; WeatherNext 2-mini è invece la versione compatta progettata per funzionare su una singola TPU e può essere eseguita anche attraverso un notebook Colab gratuito. Il codice e i pesi di tutte e tre le versioni sono stati pubblicati, permettendo a ricercatori, servizi meteorologici e sviluppatori di esaminare l’architettura, riprodurre i risultati e adattare i modelli a nuove aree geografiche o applicazioni. Il rilascio consente inoltre alla comunità scientifica di approfondire la capacità del sistema di ricavare informazioni sull’intensità dei cicloni da dati a risoluzione relativamente bassa, un comportamento che rimane ancora oggetto di studio.
Le previsioni possono essere consultate anche attraverso Weather Lab, la piattaforma sperimentale di Google inizialmente dedicata ai cicloni e ora ampliata alle previsioni globali di temperatura, precipitazioni e velocità del vento. I modelli e la piattaforma fanno parte di Google Earth AI e sono stati progettati per ridurre drasticamente il costo computazionale rispetto ai sistemi numerici tradizionali. Una previsione globale a 15 giorni può essere generata in meno di un minuto utilizzando una sola TPU, mentre la versione mini riduce ulteriormente i requisiti hardware. Il principale limite all’adozione non è quindi più rappresentato dalla disponibilità di grandi cluster di calcolo, ma dalla capacità delle organizzazioni meteorologiche di integrare il modello nei propri flussi di lavoro, interpretare correttamente le distribuzioni probabilistiche e combinarle con osservazioni e strumenti previsionali esistenti.