Článek
Meteorologové už dnes dokážou poměrně dobře odhadnout, kam hurikán zamíří. Mnohem hůř se předpovídá, co udělá cestou. Zda zůstane silnou bouří, nebo během jediného dne prudce zesílí do ničivé páté kategorie. Právě předpověď intenzity patří dlouhodobě k nejtěžším problémům meteorologie tropických cyklon.
To se podařilo u hurikánu Melissa v říjnu 2025. Když byl ještě relativně slabý, nový model WeatherNext od Google DeepMind už pět dní před dopadem na Jamajku dával vysokou pravděpodobnost scénáři, že zesílí na pátou kategorii a zasáhne ostrov. Americké National Hurricane Center, které sleduje a předpovídá tropické cyklony v Atlantiku a severovýchodním Pacifiku, mělo model během sezony k dispozici jako jeden ze zdrojů pro své předpovědi. Melissa nakonec na Jamajku skutečně dorazila jako hurikán páté kategorie.
Teď je možné posoudit, zda šlo o mimořádně povedený zásah, nebo o známku větší změny. Tým Google DeepMind, Google Research, National Hurricane Center a britského Met Office zveřejnil v Nature rozsáhlé hodnocení systému WeatherNext Cyclones. Model testovali na tropických cyklonách z let 2023 až 2025 a porovnali ho s nejlepšími provozními systémy pro předpověď dráhy, maximální rychlosti větru i rozměrů oblasti zasažené silným větrem.
Den náskoku, který dříve trval deset let
Výsledek lze shrnout jednoduše. WeatherNext získal v průměru více než jeden den užitečného náskoku. Jeho třídenní předpověď dosahovala přibližně takové přesnosti, jakou jiné špičkové modely nabízely o den později. Nejde tedy o to, že by AI oznámila hurikán o čtyřiadvacet hodin dříve. Jde o den navíc při stejné úrovni chyby.
V meteorologii je to mimořádně rychlý posun. Autoři proto výsledek zasadili do historického vývoje. Evropský souborový systém ECMWF ENS získal za přibližně deset let u předpovědi dráhy asi 22 hodin použitelného náskoku. WeatherNext proti němu získal 27 hodin. U intenzity vyšel rozdíl ještě výrazněji. Americký specializovaný model HWRF se za desetiletí zlepšil asi o 31 hodin, zatímco WeatherNext proti němu v letech 2023 a 2024 získal při stejném prahu chyby zhruba 40 hodin. Autoři proto mluví o skoku srovnatelném s více než desetiletím běžného vývoje předpovědních modelů.
Ještě zajímavější než samotné pořadí modelů je způsob, jakým WeatherNext k výsledku dochází.
Hurikán bez detailu
Dráhu hurikánu určují hlavně rozsáhlé proudy v atmosféře. Ty globální modely zachycují dobře. Síla bouře je jiný problém. Závisí na dějích v jejím vnitřním jádru, na přenosu tepla z oceánu, proudění kolem oka, bouřkové konvekci a dalších procesech odehrávajících se na mnohem menších vzdálenostech. Proto se pro předpověď intenzity staví speciální modely s velmi jemnou výpočetní sítí. NOAA například používá systém HAFS, který se v okolí cyklonu dostává přibližně na dva kilometry.
WeatherNext naproti tomu pracuje s atmosférou rozdělenou do buněk širokých zhruba 28 kilometrů. V takovém rozlišení nelze detailně zachytit stěnu oka ani jednotlivé bouřkové struktury, které jsou pro vývoj intenzity zásadní. Přesto právě v předpovědi síly cyklonu WeatherNext patří k nejlepším.
To je nejpodstatnější výsledek celé práce. Studie neukazuje, že jemná struktura hurikánu není důležitá. Ukazuje něco užšího a překvapivějšího. Pro velmi dobrou předpověď intenzity zřejmě není vždy nutné tuto strukturu přímo simulovat v kilometrovém rozlišení. Atmosféra ve větším okolí cyklonu v sobě zřejmě nese dost informací o tom, co se s bouří pravděpodobně stane.
Tisíc možných budoucností
WeatherNext se tyto vztahy naučil z desítek let globálních meteorologických dat a z databáze téměř pěti tisíc tropických cyklon. Nepředpovídá přitom jen jednu budoucnost. Vytváří celý soubor scénářů, z nichž lze odhadnout pravděpodobnost různých drah, rychlostí větru nebo prudkého zesílení. Běžný soubor má padesát variant, systém ale dokáže vytvořit až tisíc. Jeden patnáctidenní scénář vznikne na specializovaném čipu pro AI přibližně za minutu, jednotlivé scénáře lze počítat souběžně.
Právě velké soubory předpovědí mohou být důležité u událostí, které jsou málo pravděpodobné, ale mají obrovské následky. V testech dokázal soubor tisíce scénářů zachytit vzácné možnosti lépe než běžných padesát variant. U Melissy šlo právě o prudké zesílení, které bylo několik dní před dopadem jedním z nejnebezpečnějších možných vývojů.
Co vlastně model vidí
A pak je tu otázka, kterou paper neuzavírá. Co přesně model v atmosféře rozpoznává, když dokáže odhadnout budoucí sílu hurikánu bez detailního obrazu jeho oka?
Autoři sami označují tento mechanismus za otevřený problém. Ještě pozoruhodnější je, že zmenšená verze WeatherNext pracující s rozlišením kolem 111 kilometrů stále v řadě testů překonává starší špičkové modely, i když je horší než plná verze. To silně naznačuje, že část informace důležité pro budoucí intenzitu cyklonu není ukrytá jen v jeho několikakilometrovém jádru. Je rozprostřená v mnohem větší části atmosféry.
Pokud se podaří zjistit, které velkoprostorové vzorce model využívá, nebude nejzajímavějším výsledkem studie den náskoku. Bude jím zjištění, že hurikán možná prozrazuje své budoucí zesílení dřív a ve větším prostoru, než jsme si dosud mysleli.
Zdroje
[1] Google DeepMind. How WeatherNext helped the National Hurricane Center better predict Hurricane Melissa’s historic landfall in Jamaica. 2026.
https://deepmind.google/blog/how-weathernext-helped-the-national-hurricane-center-better-predict-hurricane-melissas-historic-landfall-in-jamaica/
[2] Alet, F. et al. Operational Tropical Cyclone Forecasting with AI. Nature (2026).
https://www.nature.com/articles/s41586-026-10953-2
[3] Google DeepMind. WeatherNext AI model achieves breakthrough in forecasting cyclones. 2026.
https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/
