เคยไหมที่แอปบอกว่าวันนี้ฝนไม่ตก แต่พอช่วงบ่ายกลับเจอฝนถล่มหนักหน้าปากซอยจนกลับบ้านไม่ได้ ความคลาดเคลื่อนแบบนี้คือโจทย์หลักของ WeatherNext 3 โมเดลพยากรณ์อากาศระดับโลกรุ่นใหม่ล่าสุดจาก Google DeepMind ทีมวิจัย AI ของ Google ซึ่งปัจจุบันเริ่มเข้าไปทำงานอยู่เบื้องหลังบริการต่างๆ ที่เราใช้อยู่แล้ว

ข้อจำกัดที่โมเดลพยากรณ์รุ่นก่อนๆ เจอมาตลอดมีสองอย่าง คือความละเอียดเชิงพื้นที่ยังไม่มากพอ และยังดึงข้อมูลเรียลไทม์จากดาวเทียมเข้ามาใช้ได้ยาก ความละเอียดที่ว่าคือขนาดของช่องตารางที่โมเดลใช้ซอยพื้นที่โลกออกเป็นส่วนๆ โมเดลรุ่นก่อนหน้าอย่าง WeatherNext 2 แสดงผลบนตารางขนาดช่องละ 25 กิโลเมตร โดยพยากรณ์ห่างกันรอบละ 6 ชั่วโมง เมื่อมีฝนตกเป็นหย่อมเล็กๆ ในพื้นที่ที่เล็กกว่าขนาดช่องตาราง ข้อมูลฝนจึงถูกเกลี่ยรวมไปกับพื้นที่แห้งรอบๆ จนแทบไม่ปรากฏในผลพยากรณ์ แต่ในรุ่นใหม่อย่าง WeatherNext 3 ลดขนาดช่องตารางลงมาเหลือเพียง 5 กิโลเมตรสำหรับตัวแปรพื้นผิวหลัก ทำให้ความละเอียดสูงขึ้นถึง 5 เท่าเมื่อเทียบกับรุ่นก่อน

WeatherNext 3 เปลี่ยนข้อมูลที่ใช้ฝึก ไม่ได้แค่เพิ่มกำลังประมวลผล

โดยทั่วไปแล้ว โมเดล AI พยากรณ์อากาศส่วนใหญ่ไม่ได้เรียนรู้จากสภาพอากาศจริงโดยตรง แต่เรียนรู้ต่อจากผลลัพธ์ของแบบจำลองฟิสิกส์ที่รันบนซูเปอร์คอมพิวเตอร์อีกทีหนึ่ง ซึ่งรวมถึง WeatherNext 2 รุ่นก่อนหน้าด้วย แม้แบบจำลองฟิสิกส์จะมีประโยชน์ แต่ก็มีข้อจำกัดเรื่องข้อมูลที่ล่าช้ากว่าเวลาจริงถึง 6 ชั่วโมง ความล่าช้านี้ทำให้การพยากรณ์สิ่งที่เปลี่ยนแปลงรวดเร็วอย่างฝนและอุณหภูมิพื้นผิวคลาดเคลื่อนได้ง่าย

แหล่งข้อมูลใหม่ส่วนแรกที่ WeatherNext 3 นำมาใช้ คือภาพถ่ายสดจากเครือข่ายดาวเทียมค้างฟ้าที่ครอบคลุมทั่วโลก ดาวเทียมค้างฟ้าโคจรไปพร้อมกับการหมุนของโลก จึงมองเห็นพื้นที่เดิมตลอดเวลาและส่งภาพสดกลับมาได้อย่างต่อเนื่อง เมื่อได้ข้อมูลภาพถ่ายสด โมเดลจึงประมวลผลและออกผลพยากรณ์ชุดใหม่ได้ทุก 1 ชั่วโมง โดยอิงจากภาพล่าสุดเสมอ ที่ความละเอียดสูงสุดถึง 5 กิโลเมตร

แหล่งข้อมูลส่วนที่สองคือข้อมูลตรวจวัดจริงจากสถานีภาคพื้นดิน โมเดลนี้ฝึกด้วยข้อมูลจริงจากสถานีตรวจวัดโดยตรง ไม่ใช่ข้อมูลที่แบบจำลองฟิสิกส์คำนวณขึ้นมา ความแตกต่างนี้สำคัญมากสำหรับพื้นที่ที่มีภูมิประเทศซับซ้อน เช่น ชายฝั่งทะเล หุบเขา หรือแนวเทือกเขา ซึ่งอุณหภูมิและความชื้นอาจต่างกันอย่างสิ้นเชิงในระยะทางเพียงไม่กี่กิโลเมตร โมเดลเดิมที่เรียนรู้จากข้อมูลหยาบๆ จะเกลี่ยความต่างเหล่านี้ทิ้งไป แต่ WeatherNext 3 ที่ฝึกจากสถานีวัดจริงจะเก็บรายละเอียดของภูมิประเทศในแต่ละพื้นที่ได้

หัวใจสำคัญของการพัฒนาครั้งนี้จึงไม่ใช่แค่การใช้เครื่องคอมพิวเตอร์ที่แรงขึ้น แต่เป็นการเปลี่ยนข้อมูลตั้งต้นที่โมเดลใช้เรียนรู้ รายละเอียดทางเทคนิคทั้งหมดสามารถศึกษาได้จาก เปเปอร์ของ WeatherNext 3 และความแม่นยำนี้ไม่ใช่แค่คำกล่าวอ้างของทีมพัฒนา เพราะกระดานจัดอันดับอิสระอย่าง Brightband ซึ่งประเมินประสิทธิภาพของโมเดลพยากรณ์อากาศทั่วโลกแบบเรียลไทม์ ก็ยกให้ WeatherNext 3 เป็นโมเดลพยากรณ์อากาศระดับโลกที่แม่นยำที่สุดในปัจจุบัน

ความละเอียด 5 ถึง 25 กิโลเมตร พยากรณ์ล่วงหน้า 15 วัน อัปเดตใหม่ทุกชั่วโมง

ความละเอียดของ WeatherNext 3 แตกต่างกันไปตามแต่ละตัวแปร โดยตัวแปรพื้นผิวหลัก เช่น อุณหภูมิและความชื้น ละเอียดสูงสุด 5 กิโลเมตร ตัวแปรพื้นผิวอื่นๆ อยู่ที่ 10 กิโลเมตร ส่วนตัวแปรในชั้นบรรยากาศ เช่น ความเร็วลม อยู่ที่ 25 กิโลเมตร (ซึ่งเท่ากับระดับความละเอียดของ WeatherNext 2 ในทุกตัวแปร)

สำหรับการใช้งานจริง เอกสารของ WeatherNext ระบุว่าโมเดลนี้กลายเป็นโมเดลหลักของ Google ไปแล้ว สามารถพยากรณ์สภาพอากาศล่วงหน้าได้สูงสุด 15 วัน พร้อมอัปเดตผลลัพธ์ใหม่ทุกชั่วโมง และในการคำนวณแต่ละรอบ ระบบจะจำลองสถานการณ์ความเป็นไปได้พร้อมกันถึง 64 ชุด การประมวลผลหลายชุดพร้อมกันนี้เป็นที่มาของการพยากรณ์เชิงความน่าจะเป็น เพราะถ้าผลลัพธ์ทั้ง 64 ชุดชี้ไปในทิศทางเดียวกัน ก็ยิ่งมั่นใจในความแม่นยำของผลพยากรณ์ได้มากกว่าตอนที่ผลลัพธ์กระจายตัวไปคนละทิศทาง

ฝนคือตัวแปรที่พยากรณ์ยากที่สุด

ในบรรดาสภาพอากาศทั้งหมด ฝนเป็นตัวแปรที่พยากรณ์ยากที่สุดเสมอมา เพราะฝนและหิมะเกิดจากกระบวนการภายในก้อนเมฆที่เปลี่ยนแปลงรวดเร็วและเกิดขึ้นในพื้นที่ขนาดเล็กมาก แบบจำลองฟิสิกส์แบบดั้งเดิมจึงตามการเปลี่ยนแปลงเหล่านี้ไม่ทัน เมื่อโมเดล AI รุ่นก่อนๆ นำข้อมูลจากแบบจำลองฟิสิกส์มาเรียนรู้ต่อ ผลลัพธ์ที่ได้จึงมักไม่ชัดเจน หรือบางครั้งอาจพยากรณ์แนวขอบพายุคลาดเคลื่อนไปทั้งแนว

WeatherNext 3 เข้ามาแก้ปัญหานี้ด้วยการฝึกโมเดลจากชุดข้อมูลปริมาณน้ำฝนคุณภาพสูง 2 แหล่ง แหล่งแรกคือชุดข้อมูลฝนจากดาวเทียมของ NASA อย่าง IMERG และอีกแหล่งคือชุดข้อมูลฝนย้อนหลังทั่วโลกที่ Google พัฒนาขึ้นเองจากเรดาร์บนดาวเทียม

ทีมพัฒนาระบุว่า ในการพยากรณ์ระยะกลางระดับโลก เมื่อวัดด้วย CRPS เกณฑ์ประเมินความแม่นยำทางสถิติสำหรับการพยากรณ์เชิงความน่าจะเป็น ความแม่นยำในการทำนายฝนดีขึ้นอย่างชัดเจนเมื่อเทียบกับชุดข้อมูลอ้างอิง 3 ชุด พบว่าแม่นยำขึ้นสูงสุด 60% เทียบกับ IMERG, 30% เทียบกับ MRMS และ 10% เทียบกับสถานีตรวจวัดน้ำฝนภาคพื้นดินในช่วงเริ่มต้นของการพยากรณ์

เอเชียแปซิฟิก รวมถึงประเทศไทย อยู่ในกลุ่มที่ได้ประโยชน์มากที่สุด

ในอดีต ข้อมูลพยากรณ์อากาศความละเอียดสูงไม่ได้กระจายอย่างทั่วถึง ประเทศหรือหน่วยงานที่ต้องการข้อมูลสภาพอากาศอย่างละเอียดในระดับภูมิภาค จำเป็นต้องประมวลผลแบบจำลองสภาพอากาศของตัวเอง ซึ่งต้องพึ่งพาซูเปอร์คอมพิวเตอร์ที่มีต้นทุนมหาศาลจนหลายประเทศไม่สามารถเข้าถึงได้ ทีมพัฒนายังระบุด้วยว่า ภูมิภาคที่จะได้ประโยชน์สูงสุดจาก WeatherNext 3 คือกลุ่มที่เคยขาดแคลนข้อมูลความละเอียดสูงเหล่านี้มาโดยตลอด ได้แก่ ละตินอเมริกา แอฟริกา และเอเชียแปซิฟิก ซึ่งรวมถึงประเทศไทยด้วย

ประโยชน์ที่ตามมาคือ ผู้คนหลายพันล้านคนรวมถึงธุรกิจขนาดเล็กในภูมิภาคเหล่านี้ เข้าถึงข้อมูลพยากรณ์อากาศที่แม่นยำระดับท้องถิ่นได้ทันที โดยไม่ต้องแบกรับภาระลงทุนสร้างระบบซูเปอร์คอมพิวเตอร์เอง

วันนี้ WeatherNext 3 ไปอยู่เบื้องหลังบริการไหนแล้วบ้าง

WeatherNext 3 ทำงานอยู่เบื้องหลังบริการต่างๆ ของ Google มาตั้งแต่วันเปิดตัว ดังนี้:

• Google Search
• แอป Gemini
• Google Maps
• Google Maps Platform Weather API
• Google Earth Engine

สามรายการแรกเป็นบริการที่คนทั่วไปเปิดใช้กันอยู่แล้วทุกวัน ส่วนสองรายการหลังเป็นช่องทางสำหรับนักพัฒนาและคนทำงานข้อมูลเชิงพื้นที่

ในระดับที่ผู้ใช้งานทั่วไปสัมผัสได้จริง ทีมพัฒนาระบุว่าเมื่อวางแผนล่วงหน้าตั้งแต่ 1 วันขึ้นไป การพยากรณ์ฝนจะแม่นยำขึ้นสูงสุดถึง 50% โดยเฉพาะในพื้นที่ที่ผลพยากรณ์อากาศเคยคลาดเคลื่อนสูงมาโดยตลอด

ถ้าใครต้องการดูผลการทำงานจริงแบบอินเทอร์แอ็กทิฟ เข้าไปลองเล่นได้ที่ Weather Lab ซึ่งมีแผนที่สภาพอากาศและเส้นทางพายุเคลื่อนไหวให้ดูแบบเรียลไทม์

พยากรณ์ลมที่ระดับความสูงของกังหันและแสงแดดสำหรับภาคพลังงานหมุนเวียน

สำหรับผู้ดูแลโครงข่ายระบบไฟฟ้าและผู้ผลิตพลังงานสะอาด WeatherNext 3 มีชุดข้อมูลพยากรณ์เฉพาะทางที่ออกแบบมาเพื่องานด้านนี้โดยตรง ข้อมูลส่วนแรกคือความเร็วลมที่ระดับความสูง 100 เมตร ซึ่งใกล้เคียงกับระดับความสูงของกังหันลมผลิตไฟฟ้า เพื่อช่วยประเมินกำลังการผลิตของฟาร์มกังหันลมล่วงหน้า ส่วนข้อมูลที่สองคือปริมาณเมฆและแสงแดดที่ส่องลงมาถึงพื้นดินอย่างละเอียด เพื่อช่วยคำนวณว่าแผงโซลาร์เซลล์จะผลิตกระแสไฟฟ้าได้มากน้อยเพียงใด

ข้อมูลทั้งสองส่วนนี้มีเป้าหมายเดียวกัน คือช่วยให้รู้ล่วงหน้าว่าโรงไฟฟ้าจะผลิตพลังงานได้เท่าไรในแต่ละช่วงเวลา เพื่อวางแผนจ่ายไฟฟ้าให้ตรงกับความต้องการใช้งานจริงได้อย่างแม่นยำ

ถ้าต้องการนำข้อมูลไปใช้ต่อ

สำหรับนักพัฒนาและผู้ที่ทำงานด้านข้อมูล หน้าเอกสารของ WeatherNext เปิดช่องทางเข้าถึงข้อมูลไว้ 3 รูปแบบ:

1. ดึงข้อมูลพยากรณ์ที่ใช้งานจริง ผ่านทาง BigQuery และ Earth Engine หรือจะดาวน์โหลดชุดข้อมูลขนาดใหญ่ทั้งหมดได้จาก Google Cloud Storage ในรูปแบบไฟล์ Zarr
2. สั่งประมวลผลบน Google Cloud โดยเลือกจำนวนชุดสถานการณ์จำลองและระยะเวลาการพยากรณ์ได้ตามต้องการ
3. ใช้งานโมเดลวิจัยแบบเปิด ซึ่งมีการแจกค่าน้ำหนักของโมเดลที่ฝึกสำเร็จแล้ว พร้อม Jupyter Notebook สาธิตวิธีใช้งานให้นักวิจัยนำไปทดลองต่อบน GitHub

แม่นยำขึ้น แต่ยังไม่ใช่ตัวแทนของกรมอุตุนิยมวิทยา

แม้โมเดล AI จะแม่นยำขึ้นอย่างเห็นได้ชัด แต่สภาพชั้นบรรยากาศยังคงแปรปรวนและไม่แน่นอนอยู่เสมอ ในเอกสารจึงระบุไว้อย่างชัดเจนว่า สำหรับการพยากรณ์สภาพอากาศอย่างเป็นทางการ การแจ้งเตือนภัยพิบัติ และคำแนะนำด้านความปลอดภัยสาธารณะ ยังต้องยึดถือข้อมูลจากหน่วยงานอุตุนิยมวิทยาในแต่ละพื้นที่เป็นหลัก ซึ่งสำหรับประเทศไทยก็คือกรมอุตุนิยมวิทยา

ขอบเขตการใช้งานจึงแบ่งไว้อย่างชัดเจน: ถ้าเป็นการวางแผนชีวิตประจำวันทั่วไป เช่น จะซักผ้าตากผ้าดีไหม หรือจะออกไปส่งของช่วงเวลาไหน เราใช้ข้อมูลพยากรณ์ในแอปพลิเคชันได้เต็มที่ แต่ถ้าเป็นเรื่องการเตือนภัยร้ายแรง เช่น พายุเข้า คลื่นลมแรง หรือน้ำท่วม ให้ยึดถือประกาศทางการจากหน่วยงานรัฐเป็นหลักเสมอ

อีกเรื่องที่ควรรู้คือ WeatherNext 3 ไม่ใช่แอปพลิเคชันใหม่ที่เราต้องไปดาวน์โหลดเพิ่ม เพราะเป็นโมเดลที่ทำงานอยู่เบื้องหลังบริการต่างๆ ที่เราใช้อยู่แล้วทุกวัน

ถ้าคุณเป็นคนหนึ่งที่เคยผิดหวังกับการพยากรณ์ฝนล่วงหน้าจนเลิกเปิดดูไปนานแล้ว รอบนี้เป็นจังหวะที่ควรกลับไปลองใหม่ โดยเฉพาะแผนที่ต้องตัดสินใจล่วงหน้าตั้งแต่หนึ่งวันขึ้นไป แล้วลองตอบตัวเองดูว่างานหรือรายได้ของเราผูกอยู่กับฝนตรงไหนบ้าง เพราะจุดนั้นคือจุดที่ความแม่นยำที่เพิ่มขึ้นจะเปลี่ยนการตัดสินใจจริงๆ

---

ที่มา:

• บทความ Introducing WeatherNext 3, our most advanced and accurate global weather AI model จาก Google DeepMind
• หน้าเอกสาร WeatherNext | Google for Developers จาก Google for Developers