Modellen, som kallas "GenCast", överträffar traditionella klimatprognoser på medellång sikt och kan också bättre förutsäga extrema väderförhållanden, tropiska cykloners banor och vindkraftsproduktion.

Detaljerna om modellen presenterades i en artikel som publicerades i tidskriften Nature, enligt nyhetsbyrån Efe.

Att ha korrekta väderprognoser är avgörande för att människor, myndigheter och organisationer ska kunna fatta viktiga beslut i vardagen, från att bära ett paraply till att utvärdera vindkraftsproduktionen eller planera för extrema väderförhållanden för att undvika katastrofer.

Traditionella väderprognoser baseras på numeriska väderprognosmetoder, som uppskattar det aktuella vädret och kartlägger det till en framtida väderprognos över tid (så kallade deterministiska prognoser), men detta genererar många potentiella scenarier, som kombineras för att producera en väderprognos.

Nu har ett team av forskare vid Google utvecklat en maskininlärningsmetod för väderprognoser som kallas GenCast som kan generera en probabilistisk prognos, som förutsäger sannolikheten för framtida väder baserat på nuvarande och tidigare väderförhållanden.

Författarna tränade GenCast från 40 år (1979 till 2018) av dataanalys av bästa uppskattningar av klimatförekomster.

Tack vare denna träning kan modellen generera globala prognoser för 15 dagar, för mer än 80 atmosfäriska och ytvariabler, på åtta minuter.

När GenCast jämfördes med ENS (European Center for Medium-Range Weather Forecasts) prognossvit - för närvarande den bäst presterande medeldistansprognosen i världen - visade det sig att GenCast överträffade ENS i 97,2% av de 1.320 mål som användes.

GenCast är också mer effektiv när det gäller att förutsäga extrema väderförhållanden, tropiska cykloners banor och vindkraftsproduktion.

Författarna menar att GenCast kan generera mer effektiva och ändamålsenliga väderprognoser som stöd för effektiv planering.