Google DeepMind 與 Google Research 發表了 WeatherNext 3，根據 Brightband 的獨立即時評估，這是迄今最先進且最準確的全球天氣模型。這款旗艦 AI 預報模型整合了即時衛星資料、每小時更新、更高解析度、精準降水預報，以及全新的潔淨能源變數，現已整合至 Google 搜尋、Gemini 應用程式、Google 地圖、Google Maps Platform 與 Google Cloud。

每一天，天氣都影響著數十億個決策。有些決策簡單如出門前帶把傘，有些則影響深遠。風、雨以及熱浪、乾旱等極端天氣事件，會對農業、全球供應鏈、潔淨能源生產與各國經濟產生連鎖效應。

近年來，AI 徹底改變了天氣預報，利用歷史紀錄做出比傳統方法更快、更準確的預測。DeepMind 自家於 2023 年推出的 GraphCast 在多項指標上超越傳統數值系統，協助確立機器學習作為物理式預報可信互補技術的地位；其他機構如歐洲中期天氣預報中心（ECMWF）及其開源 AIFS 模型也有類似努力。然而，預測高度局部且快速變化的天氣始終是一大挑戰。先前的模型往往空間解析度不足，且難以納入來自衛星等來源的即時天氣資料。

WeatherNext 3 直接從即時觀測資料學習，能夠針對影響民眾最深的天氣事件，提供及時且更局部化的預測。透過原始衛星資料，模型每小時產生一次高解析度預報，讓全球 Google 產品的使用者都能取得可靠的天氣預測。

前所未有解析度的快速天氣預測

預報的實用性往往取決於細節——即對時間與空間的解析精細程度。WeatherNext 3 以多種空間解析度產生每小時預報，從全球大範圍風場到局部地形都保持物理一致性。

該模型以 5 公里解析度呈現溫度與濕度等關鍵地表變數，其他地表變數為 10 公里，風速等大氣變數則為 25 公里。整體而言，其全球天氣影像比前身 WeatherNext 2（以 25 公里網格、每 6 小時一次產生預報）銳利約五倍。

在架構上，WeatherNext 3 攝入即時的 1 小時地球同步衛星鑲嵌影像，並結合傳統歷史分析，餵入單一、靈活的功能生成網絡（FGN）網格轉換器。它輸出密集的網格場、離散氣旋路徑，並原生預測測站層級的稀疏座標。

在英國上空 2 公尺溫度預報的比較中，WeatherNext 3 原生 5 公里（0.05°）解析度能解析細緻的局部地形，避免了 WeatherNext 2 在 25 公里（0.25°）解析度下產生的像素化、過度平滑的熱力表現。

持續全球規模的真實世界資料

最大的躍進在於模型的學習來源。包括 WeatherNext 2 在內，多數 AI 天氣模型都是以數值天氣預報（NWP）模型的資料訓練。NWP 模型雖然有用，卻是複雜、仰賴超級電腦的物理模擬，且有六小時的資料延遲——這種延遲可能為降雨或地表溫度等快速變化的變數帶來偏差。

透過攝入即時的全球地球同步衛星鑲嵌資料，WeatherNext 3 取得了持續更新的大氣視野，使模型每小時都能產生新預報，且每一份預報都以當時最新的衛星觀測為基礎，解析度最高達 5 公里。

這種快速更新之所以重要，是因為關鍵天氣發展迅速。當風暴、鋒面或降水系統突然形成時，模型的每小時更新循環與更高解析度可提供更早、更詳細的資訊，以支援有效應變。

溫度、濕度等變數可能在短短數公里內劇烈變化——這對海岸線、山谷或山脈附近的社區尤其重要。傳統模型在此表現不佳，因為它們訓練所用的大氣表徵缺乏細節，會遺漏極端的局部變化。WeatherNext 3 則直接以稀疏氣象測站觀測資料訓練，得以在 5 公里網格上產生兼顧地形等區域細節的全球預報。

Google 表示，這項突破對拉丁美洲、非洲與亞太地區尤其重要——由於傳統區域模型需耗費龐大超級電腦成本，這些地區長期缺乏高解析度預報服務。此舉為這些地區數十億民眾與本地企業帶來局部化、高傳真的天氣預報。由於 AI 模型一旦訓練完成，所需運算資源遠低於超級電腦級的 NWP 系統，也降低了過去高解析度預報僅限富裕地區的成本門檻。

除了解析度與預報頻率的提升，模型還導入專為再生能源生產設計的預測。WeatherNext 3 預報 100 公尺風速——約為風機高度——以精確估算風力發電量，並提供高解析度雲量與太陽輻射資料，協助太陽能電場估計地面接收的日照量。Google 指出，這些資料對全球潔淨能源規劃至關重要，讓電網營運商與再生能源開發商能準確預測潔淨能源資產的發電量，並與消費者需求匹配。這項能力也與 Google 自身承諾在 2030 年前全天候使用無碳能源的目標一致，而該目標高度依賴再生能源發電預測。

突破性準確度的降水預報

全球天氣模型向來難以準確預測降水。雨雪系統由微小尺度的快速雲物理過程驅動，難以用傳統物理模擬準確建模。因此，AI 預報常產生模糊的估計，甚至完全錯估強烈風暴的邊界。

為了解決這個問題，Google 以兩個高品質降水資料集訓練模型：NASA 的衛星資料 GPM 整合多衛星反演（IMERG），以及其自建的衛星雷達全球降水再分析資料。

結果是降水預報準確度的大幅躍進。在中期全球預報中，與基準的比較顯示連續排名機率分數（CRPS）改善幅度相較 IMERG 最高達 60%、MRMS 為 30%、早期預報時效的雨量計觀測則為 10%。

在中期降水機率（PoP > 1mm）預報比較中，WeatherNext 2 在 25 公里解析度下呈現高度擴散、像素化的降水足跡，而 WeatherNext 3 在 11 公里解析度下則與實際衛星觀測真值高度吻合，準確捕捉天氣系統尖銳的對流帶。

研究成果應用於整個生態系

Google 表示，其首要目標是推進天氣智慧，使其對所有人都實用——無論是追蹤風向突變的緊急救援人員、規劃航線的航管員，還是管理作物的農民。

為了將這些突破帶出實驗室，WeatherNext 3 正整合至 Google 核心生態系及更多平台：

• 高解析度預報資料： 全球天氣預測每小時更新，可直接整合至使用者工作流程，無需任何模型設定。研究人員、開發者與企業可透過 BigQuery 與 Earth Engine 查詢資料，或從 Google Cloud Storage 批次下載。
• 全球可用性： WeatherNext 3 自今日起開始支援 Google 搜尋、Gemini 應用程式、Google 地圖、Google Maps Platform Weather API 與 Google Earth Engine 的天氣體驗。這次更新大幅改善較長期預報：規劃一天或更長時間的行程時，使用者將看到最多準確 50% 的降水預報，其中歷來預報可靠度較低的地區改善最為顯著。

Google 指出，大氣永遠保有一定程度的不可預測性。不過，透過以真實世界觀測訓練並繞過傳統建模限制，WeatherNext 3 讓預報更貼近地面實際發生的情況。隨著 AI 預報日趨成熟，機器學習系統與傳統物理機構如何共存成為該領域的反覆課題——包括與 AI 開發者合作的國家氣象機構，仍持續扮演警報與公共安全的權威來源，Google 本身也承認這一角色。

與本次發布相關的其他資源包括 WeatherNext 3 研究論文、使用 WeatherNext 3 進行開發的開發者文件、可即時視覺化該模型的 Weather Lab，以及顯示 WeatherNext 3 排名的 Brightband 獨立即時排行榜。讀者也可透過 Google Earth Engine、AlphaEarth Foundations 與 Earth AI 探索 Google 更廣泛的地理空間與 AI 工作。

Google 的免責聲明指出，官方天氣預報、惡劣天氣警報與公共安全通告，請參閱當地氣象機構或國家氣象單位。

來源：Google DeepMind 部落格