En ny AI-modell kan förutsäga tropiska cykloners bana, vindstyrka och storlek med betydligt längre framförhållning än flera av dagens ledande prognossystem.
Modellen heter WeatherNext Cyclones, förkortat WN-C, och har utvecklats av Google DeepMind och Google Research tillsammans med meteorologer från bland annat USA:s National Hurricane Center och brittiska Met Office.
När modellen testades på tropiska cykloner från 2023 till 2025 gav den i genomsnitt mer än ett dygns extra prognostid vid motsvarande träffsäkerhet. För vissa femdygnsprognoser av stormens position motsvarade förbättringen mer än 30 timmar.
Det betyder inte att varje officiell varning automatiskt kan utfärdas 30 timmar tidigare. Resultatet visar att AI-modellen kan nå samma prognosprecision längre innan stormen når ett område.
Studien har publicerats i den vetenskapliga tidskriften Nature.
Tropiska cykloner är svåra att förutsäga
Tropiska cykloner bildas över varma hav och drivs av samspelet mellan havstemperatur, luftfuktighet, vindar och tryckskillnader.
Samma typ av storm kallas olika saker beroende på var den bildas:
| Benämning | Vanligt geografiskt område |
|---|---|
| Orkan | Atlanten och nordöstra Stilla havet |
| Tyfon | Nordvästra Stilla havet |
| Tropisk cyklon | Indiska oceanen och södra Stilla havet |
Meteorologer försöker framför allt förutsäga tre egenskaper:
- Bana: Var stormens centrum kommer att röra sig.
- Intensitet: Hur starka vindarna förväntas bli.
- Vindfält: Hur stort område som utsätts för kraftiga vindar.
Stormens bana styrs till stor del av omfattande vädersystem över stora delar av jorden. Intensiteten påverkas däremot av mindre och mer lokala processer nära cyklonens öga.
Det har tidigare skapat en svår avvägning. Globala modeller är bra på att se de stora luftströmmarna som styr banan, men deras upplösning kan vara för låg för att återge detaljerna i stormens kärna. Regionala modeller kan beskriva cyklonen mer detaljerat men saknar ibland hela den globala bilden.
En AI-modell för både bana och styrka
WeatherNext Cyclones har utvecklats för att hantera båda problemen i samma modell.
AI-systemet analyserar först atmosfärens globala tillstånd. Samtidigt följer det cyklonens position, vindstyrka och utbredning. Modellen kopplar därmed ihop storskaliga vädermönster med den enskilda stormens utveckling.
| Prognosdel | Vad modellen försöker förutsäga |
|---|---|
| Globalt väder | Lufttryck, vindar och atmosfäriska mönster |
| Stormbana | Cyklonens framtida position |
| Intensitet | Maximal vindstyrka |
| Vindradier | Hur långt de kraftiga vindarna sträcker sig |
| Osäkerhet | Flera möjliga utvecklingsförlopp |
Modellen kan skapa prognoser upp till 15 dagar framåt. Träffsäkerheten avtar naturligt ju längre prognosen sträcker sig, men den långa tidsramen gör det möjligt att tidigt upptäcka möjliga risker.
Tränades på nästan 5 000 historiska stormar
Forskarna tränade modellen med två huvudsakliga datakällor.
Den första bestod av omkring 20 terabyte globala atmosfäriska analyser. Dessa innehåller historiska beskrivningar av temperatur, lufttryck, vindar och andra vädervariabler över hela jorden.
Den andra var IBTrACS, en internationell databas med kvalitetssäkrade uppgifter om nästan 5 000 historiska tropiska cykloner.
Genom kombinationen fick modellen lära sig både hur jordens atmosfär utvecklas och hur enskilda cykloner brukar förändras under olika förhållanden.
Systemet tränades från början för uppgiften. Det handlar alltså inte om en vanlig språkmodell som fått i uppgift att tolka väderkartor, utan om en specialiserad generativ modell för numeriska väderdata.
Över ett dygn längre framförhållning
Forskarna jämförde WeatherNext Cyclones med flera ledande operativa prognossystem.
AI-modellen gav i genomsnitt mer än 24 timmars försprång vid förutsägelser av:
- Cyklonernas position
- Maximal vindstyrka
- Stormarnas vindradier
- Sannolikheten för olika utvecklingsförlopp
En tredygnsprognos från WeatherNext kunde i flera jämförelser hålla ungefär samma kvalitet som en tvådygnsprognos från tidigare system.
Vid prognoser fem dagar framåt var modellens positionsberäkningar så mycket bättre än det europeiska ensemblesystemet att skillnaden motsvarade över 30 timmars extra prognostid vid samma felnivå.
Detta är en statistisk jämförelse. Den innebär inte att alla invånare i ett hotat område alltid får exakt 30 timmar mer på sig att evakuera. Officiella varningar påverkas även av lokal risk, beredskapsplaner och meteorologernas samlade bedömning.
Kan skapa 1 000 möjliga prognoser
Vädret är ett kaotiskt system. Mycket små skillnader i atmosfärens nuvarande tillstånd kan resultera i helt olika utveckling några dagar senare.
Därför räcker det inte alltid med en enda prognos.
WeatherNext Cyclones kan skapa upp till 1 000 olika scenarier för samma storm. Varje scenario innehåller en möjlig utveckling av cyklonens bana, intensitet och vindfält.
Resultaten kan sedan användas för att beräkna sannolikheter.
Ett område kan exempelvis få:
- 70 procents sannolikhet för stormvindar
- 30 procents sannolikhet för orkanvindar
- 10 procents sannolikhet för att stormens centrum passerar inom ett visst avstånd
Traditionella globala ensemblesystem arbetar ofta med omkring 50 scenarier. Fler beräkningar kan göra det lättare att fånga ovanliga men farliga utvecklingsförlopp, exempelvis en snabb förstärkning strax före landstigning.
En enskild 15-dygnsprognos kan enligt utvecklarna skapas på mindre än en minut med en TPU, en specialiserad processor för maskininlärning.
Bra resultat trots relativt låg upplösning
Ett av studiens mest oväntade resultat var att modellen kunde förutsäga cyklonernas intensitet utan extremt högupplösta indata.
WeatherNext Cyclones arbetar med atmosfäriska rutor som är ungefär 28 gånger 28 kilometer. Det är betydligt grövre än de regionala fysikbaserade modeller som används för att simulera detaljerna i en orkan.
Trots detta gav AI-modellen konkurrenskraftiga eller bättre prognoser för vindstyrka och vindfält.
Forskarna tolkar det som att storskaliga atmosfäriska data innehåller mer information om cyklonens framtida styrka än man tidigare har förstått. AI-systemet kan ha lärt sig samband som är svåra att fånga med traditionella prognosmetoder.
Exakt hur modellen lyckas utvinna denna information är ännu inte fullständigt klarlagt.
Förutsåg orkanen Melissas snabba förstärkning
WeatherNext användes experimentellt under orkansäsongen 2025. Ett uppmärksammat exempel var orkanen Melissa i Karibien.
När traditionella prognoser gav olika besked om stormens utveckling förutsåg WeatherNext att systemet skulle förstärkas kraftigt och röra sig mot Jamaica.
Fem dagar före landstigningen bedömde modellen sannolikheten för att Melissa skulle nå Jamaica som en kategori 5-orkan till omkring 80 procent. Tre dagar före landstigningen hade sannolikheten stigit till nära 100 procent.
USA:s National Hurricane Center använde AI-prognosen som en del av sitt bredare prognosunderlag.
Det är ett imponerande exempel, men en enskild lyckad prognos bevisar inte att modellen alltid kommer att fånga snabb intensifiering. Den bredare jämförelsen med stormar från 2023 till 2025 är därför viktigare för bedömningen av systemets generella förmåga.
AI ska komplettera meteorologerna
WeatherNext Cyclones är inte avsett att automatiskt skicka varningar direkt till allmänheten.
Operativa meteorologer behöver fortfarande väga samman information från flera källor:
- Fysikbaserade vädermodeller
- AI-modeller
- Satellitbilder
- Flygplansmätningar inne i stormen
- Havsbojar och väderstationer
- Lokal geografi och bebyggelse
- Erfarenhet från tidigare stormar
Forskarna såg att ett viktat prognossystem blev bättre när WeatherNext inkluderades tillsammans med andra modeller. Det talar för att AI:n ger störst nytta som ett komplement, inte som ensam ersättare.
Mänskliga meteorologer behöver dessutom översätta modellernas sannolikheter till begripliga råd om evakueringar, hamnstängningar, flygtrafik och andra säkerhetsåtgärder.
Modellen har fortfarande begränsningar
Även en mer träffsäker modell kan göra allvarliga fel. Tropiska cykloner kan ändra både riktning och intensitet på kort tid.
WeatherNext är beroende av historiska data. Det kan skapa problem om framtida stormar utvecklas på sätt som är ovanliga eller saknar tydliga motsvarigheter i träningsmaterialet.
Studien utvärderade främst:
- Bana
- Intensitet
- Vindstyrka
- Vindfältets storlek
Lokala konsekvenser som skyfall, jordskred, stormflod och översvämning påverkas av fler faktorer. För sådana varningar behövs fortfarande regionala modeller och detaljerad lokal information.
Studien har också ett stort antal författare från Google DeepMind och Google Research, som själva har utvecklat modellen. Samtidigt deltog experter från National Hurricane Center, brittiska Met Office och Cooperative Institute for Research in the Atmosphere. Fortsatt oberoende utvärdering under kommande orkansäsonger blir viktig.
Modellen släpps med öppen källkod
Google har valt att publicera koden och modellvikterna för WeatherNext Cyclones och WeatherNext 2.
Det gör det möjligt för universitet, nationella vädertjänster och andra forskargrupper att:
- Granska modellen
- Testa den på nya stormar
- Jämföra den med lokala prognossystem
- Anpassa den till regionala behov
- Undersöka varför den fungerar
En mindre version, WeatherNext 2 Mini, ska även kunna köras på en enda TPU. Det kan göra tekniken mer tillgänglig för forskare och vädertjänster som inte har samma beräkningsresurser som de största organisationerna.
Vinsten med bättre cyklonprognoser handlar ytterst inte om att ersätta meteorologer. Den handlar om att ge dem ett bättre beslutsunderlag tidigare. Om mer träffsäkra prognoser verkligen kan ge samhällen ytterligare ett dygn att förbereda evakueringar, skydda infrastruktur och flytta resurser kan den praktiska betydelsen bli mycket stor.
Vetenskaplig publikation: Ferran Alet med flera, ”Operational Tropical Cyclone Forecasting with AI”, Nature, publicerad 6 augusti 2026. Läs originalstudien.