Google DeepMind 与 Google Research 推出了 WeatherNext 3，根据 Brightband 的独立实时评估，该模型被誉为迄今最先进、最准确的全球天气模型。这一旗舰 AI 预报模型融合了实时卫星数据、逐小时更新、更高分辨率、精准降水预报以及全新的清洁能源变量。目前，它已集成到 Google 搜索、Gemini 应用、Google 地图、Google Maps Platform 和 Google Cloud 之中。

每一天，天气都在影响着数十亿项决策。有些决策简单到不过是出门前带上一把伞，而另一些则意义重大。风雨以及热浪、干旱等极端天气事件，会对农业、全球供应链、清洁能源生产乃至各国经济产生连锁影响。

近年来，AI 彻底改变了天气预报领域，利用历史记录做出比传统方法更快、更准确的预测。DeepMind 于 2023 年发布的 GraphCast 在多项指标上超越了传统数值系统，帮助机器学习成为基于物理的预报的可信补充；欧洲中期天气预报中心（ECMWF）及其开源 AIFS 模型等其他机构的努力也是如此。然而，预测高度局部且快速变化的天气始终是一项挑战。以往的模型往往空间分辨率不足，且难以纳入来自卫星等来源的实时天气数据。

WeatherNext 3 直接从实时观测中学习，能够针对对人们影响最大的天气事件提供及时、更局部化的预测。通过利用原始卫星数据，每小时生成一次高分辨率预报，该模型让全球范围内的 Google 产品都能获取可靠的预报。

前所未有分辨率的快速天气预测

预报的实用价值往往取决于细节——即它对时间和空间的解析精度。WeatherNext 3 以多种空间分辨率生成逐小时预报，从全球大范围风场模式到局部地形，始终保持物理一致性。

该模型可以 5 公里分辨率呈现温度和湿度等关键地表变量，以 10 公里分辨率呈现其他地表变量，并以 25 公里分辨率呈现风速等大气变量。总体而言，这使其全球天气画面的清晰度较前代 WeatherNext 2（以 25 公里网格、6 小时间隔生成预报）提升约五倍。

在架构上，WeatherNext 3 摄入实时 1 小时地球静止卫星拼接数据与传统历史分析，输入单个灵活的功能生成网络（FGN）网格 Transformer。它输出密集的网格化场、离散的气旋路径，并原生支持站点级稀疏预测。

在英国上空 2 米温度预报的对比中，WeatherNext 3 的原生 5 公里（0.05°）分辨率能够解析复杂的局部地形，避免了 WeatherNext 2 在 25 公里（0.25°）分辨率下出现的像素化、过度平滑的温度表现。

持续全球规模的真实世界数据

最大的飞跃在于模型学习的数据来源。包括 WeatherNext 2 在内的大多数 AI 天气模型都基于数值天气预报（NWP）模型的数据进行训练。NWP 模型虽有价值，但其运行于超级计算机之上的复杂物理模拟存在六小时的数据滞后——这种延迟可能为降水或地表温度等快速变化变量引入偏差。

通过摄入实时全球地球静止卫星数据的拼接图，WeatherNext 3 获得了持续更新的大气视图。这使该模型能够每小时生成一次新预报，每次预报都基于可获得的最新卫星观测，分辨率最高达 5 公里。

这种快速刷新之所以重要，是因为关键天气的发展十分迅速。当风暴、锋面或降水系统突然形成时，该模型的逐小时更新周期和更高分辨率可提供更早、更详细的洞察，以支持有效应对。

温度和湿度等一些变量可能仅在几公里范围内就发生剧烈变化——这对海岸线、山谷或山脉附近的社区尤为重要。传统模型在此类场景下表现不佳，因为它们训练所用的地表征缺乏细节，并会遗漏极端的局地变化。WeatherNext 3 则直接基于稀疏气象站观测数据进行训练，从而能够在 5 公里网格上生成考虑地形等区域细节的全球预报。

据 Google 介绍，这一突破对拉丁美洲、非洲和亚太地区尤为重要，这些地区由于传统区域模型的巨额超算成本，在历史上一直缺乏高分辨率预报服务。它为这些地区的数十亿人口和本地企业带来了本地化、高保真的天气预报。由于 AI 模型一经训练，其运行所需算力远低于基于超级计算机的 NWP 系统，它们降低了历史上将高分辨率预报局限于较富裕地区的成本门槛。

在分辨率和预报频率之外，该模型还引入了专为可再生能源生产设计的预测。WeatherNext 3 预报 100 米高度风速——大致为风机轮毂高度——用于精确估算风能产出，同时提供高分辨率云量和太阳辐射水平，帮助太阳能电站估算地面接收的光照量。Google 表示，这些数据对全球清洁能源规划至关重要，可帮助电网运营商和可再生能源开发商准确预测其清洁能源资产的发电量，并与消费需求相匹配。这一能力与 Google 自身到 2030 年实现全天候无碳能源运营的目标一致，而该目标在很大程度上依赖于对可再生能源产出的预测。

突破性准确度的降水预报

全球天气模型长期难以准确预测降水。雨雪系统由微小尺度上快速移动的云过程驱动，难以用传统基于物理的模拟精确建模。因此，AI 预报常常产生模糊的估算，甚至完全错过强风暴的边界。

为解决这一问题，Google 使用两个高质量降水数据集训练该模型：NASA 基于卫星的 GPM 多卫星联合反演（IMERG），以及其自有的基于卫星雷达的全球降水再分析。

其结果是降水预报准确度的显著跃升。在中期全球预报中，与基准的对比评估显示，连续分级概率评分（CRPS）相较 IMERG 改进最高达 60%，MRMS 为 30%，早期时效的雨量计测量为 10%。

在中期降水概率（PoP > 1mm）预报对比中，25 公里分辨率的 WeatherNext 2 显示出高度扩散且像素化的降水分布，而 11 公里分辨率的 WeatherNext 3 则与实际卫星地面真值高度吻合，准确捕捉到天气系统锐利的对流雨带。

研究成果应用于整个生态

Google 表示，其首要目标是推动天气智能的普及化应用——无论是追踪突发风向变化的应急救援人员、规划航路的空管员，还是管理农作物的农民。

为将这些突破从实验室带入现实世界，WeatherNext 3 正被集成到 Google 的核心生态及更广泛领域：

• 高分辨率预报数据： 全球天气预测逐小时更新，无需任何模型配置即可集成到用户工作流中。研究人员、开发者和企业可以通过 BigQuery 和 Earth Engine 查询数据，或从 Google Cloud Storage 批量下载。
• 全球可用性： WeatherNext 3 即日起开始为 Google 搜索、Gemini 应用、Google 地图、Google Maps Platform 天气 API 和 Google Earth Engine 中的天气体验提供支持。此次更新大幅改进了中长期预报：在提前一天或更长时间规划时，用户将看到最高提升 50% 准确度的降水预报，其中在历史上预报可靠性较低的地区改进最为显著。

Google 指出，大气始终保留一定程度的不确定性。然而，通过基于真实世界观测进行训练并绕过传统建模限制，WeatherNext 3 使预报更接近地面的实际状况。随着 AI 预报日趋成熟，该领域一个反复出现的议题是机器学习系统与传统物理机构将如何共存——包括与 AI 开发者合作的各国气象服务机构，仍将是预警和公共安全的权威来源，Google 本身也承认这一角色。

与本次发布相关的其他资源包括 WeatherNext 3 研究论文、使用 WeatherNext 3 进行开发的开发者文档、用于实时可视化该模型的 Weather Lab，以及展示 WeatherNext 3 排名的 Brightband 独立实时排行榜。读者还可以通过 Google Earth Engine、AlphaEarth Foundations 和 Earth AI 探索 Google 更广泛的地理空间与 AI 工作。

Google 的免责声明指出，如需官方天气预报、强天气预警和公共安全通告，用户应参考当地气象机构或国家气象服务部门。

来源：Google DeepMind 博客