Google 推出 WeatherNext 3：迄今最先进精准的全球天气 AI 模型

每一天，天气都在影响着数十亿人的决策。有些决定很简单，比如出门前带把伞；但另一些则关系重大。风、雨和极端天气事件——如热浪和干旱——会对农业、全球供应链、清洁能源生产和国民经济产生连锁影响。 近年来，人工智能彻底改变了天气预报。传统方法依赖历史记录来做出更快、更准确的预测，但精准预报高度局部且快速变化的天气仍然是一个难题。以往的模型往往缺乏足够的空间分辨率，也难以整合来自卫星等实时天气数据。 今天，Google DeepMind 与 Google Research 推出了 **WeatherNext 3**——据 Brightband 的实时评估，这是迄今为止最先进、最精准的全球天气模型。我们的模型直接从实时观测中学习，能够针对对人类影响最大的天气事件提供及时且更局部的预测。通过利用原始卫星数据每小时生成一次高分辨率预报，我们让可靠的天气预报在全球范围内的 Google 产品中得以普及。

前所未有分辨率的快速天气预报

预报的价值往往取决于细节，以及它在时间和空间上的解析精度。WeatherNext 3 生成多空间分辨率的小时级预报，从广泛的全球风模式到局部地形，保持物理一致性。

借助 WeatherNext 3，我们可以以 5 公里分辨率可视化关键地表变量（如温度和湿度），其他地表变量以 10 公里分辨率呈现，大气变量（如风速）则以 25 公里分辨率显示。总体而言，这提供的全球天气图景比上一代模型 WeatherNext 2 清晰约五倍——后者仅在 25 公里网格上以 6 小时间隔生成预报。

图1：WeatherNext 3 端到端系统架构。模型将实时1小时静止卫星图像与传统的历史分析数据相结合，输入一个统一的柔性功能生成网络（Functional Generative Network，FGN）网格变换器，直接输出密集网格场、离散气旋路径，并原生预测站点级稀疏坐标。

图2：英国2米温度预报对比。WeatherNext 2（左）分辨率为25公里（0.25°），WeatherNext 3（右）为原生5公里（0.05°）分辨率。WeatherNext 3 能够解析精细的局部地形，避免了旧模型中像素化、过度平滑的温度表征。

连续全球尺度的真实世界数据

WeatherNext 3 实现飞跃的关键在于其学习数据来源。大多数AI天气模型（包括 WeatherNext 2）均基于数值天气预报（Numerical Weather Prediction，NWP）模型的数据进行训练。尽管 NWP 模型非常有价值，但它们是基于超计算机驱动的复杂物理模拟，存在6小时的数据滞后，这会导致对降雨或地表温度等快速变化变量的预测出现偏差。

通过整合全球静止卫星的真实观测拼图，新模型获得了对大气持续更新的丰富视图。这使得模型能够每小时生成一次新的预报，每次预报都基于最新的卫星观测数据，分辨率最高可达5公里。

这一点至关重要，因为关键天气现象往往发展迅速。当风暴、锋面或降水系统突然形成时，快速更新周期和高分辨率能够提供更早、更详细的洞察，助力有效应对。

气温和湿度等变量在短短几公里范围内就可能剧烈变化，这对沿海、山谷或山脉附近的社区尤为关键。传统模型在此方面表现不佳，因为它们所依赖的大气表征数据缺乏细节，容易遗漏极端的局部变化。

为解决这一问题，WeatherNext 3 转而直接基于稀疏气象站观测数据进行训练。这使得我们能够在5公里网格上实现全球预报，同时充分考虑地形等区域细节。

这一突破对拉丁美洲、非洲和亚太地区的许多地区尤为重要——受限于传统区域模型高昂的超算成本，这些地区长期缺乏高分辨率天气预报服务。如今，本地化的高精度预报能够惠及这些地区数十亿民众和本地企业。

除了更高的分辨率和更频繁的预报更新，我们的模型还专门为可再生能源生产引入了定制化预测：它会预报 100 米高度（大约是风机叶片所在高度）的风速以精确估算风电出力，同时提供高分辨率的云量和太阳辐射数据，帮助太阳能电站估算实际能接收到的光照。

这些数据对全球清洁能源规划至关重要，电网运营商和可再生能源开发商可以借此准确预测清洁能源资产的发电量，并将其与用电需求相匹配。

突破性精度的降水预报

全球天气模型在准确预测降水方面一直表现不佳。雨雪天气系统由小尺度上快速移动的云过程驱动，传统基于物理的模拟很难精确建模，因此 AI 预报往往给出模糊的估算，甚至完全漏掉强风暴的边界。

为解决这个问题，我们用两个质量极高的降水数据源来训练模型：NASA 基于卫星的 GPM 综合多卫星反演数据（IMERG），以及我们自己基于卫星雷达构建的全球降水再分析数据。

结果是降水预报精度的显著跃升。在中期全球预报中，与基准对比的评估显示，在临近预报时段，Continuous Ranked Probability Score（CRPS）相比 IMERG 最高提升 60%，相比 MRMS 提升 30%，相比雨量计实测数据提升 10%。

图 3：中期降水概率（PoP > 1mm）预报对比。WeatherNext 2（左）的 25 公里分辨率下，降水足迹高度弥散且呈像素化。WeatherNext 3（中）的 11 公里分辨率则与实际卫星地面真值（右）高度吻合，准确捕捉到了天气系统锋利的对流雨带。

研究成果已在生态系统中落地

我们的首要目标是推进气象智能，使其惠及每一个应用场景——无论是追踪突风变化的应急救援人员、规划航线的空中交通管制员，还是管理农作物的农民。

为了让这些突破走出实验室、真正投入实际应用，我们将 WeatherNext 3 集成到 Google 核心生态系统中，并向更广泛的领域扩展：

• 高分辨率预报数据：我们提供全球天气预测，每小时更新一次，无需配置模型即可轻松集成到您的工作流中。研究人员、开发者和企业可以查询 BigQuery 和 Earth Engine 中的数据，或通过 Google Cloud Storage 批量下载。
• 全球覆盖：WeatherNext 3 今日开始为 Google Search、Gemini 应用、Google Maps、Google Maps Platform Weather API 以及 Google Earth Engine 中的天气体验提供动力支持。此次更新显著提升了长期预报的准确性。当用户提前一天或更长时间做计划时，降水量预报的准确率最高可提升 50%——在历史预报可靠性较低的地区，提升幅度最为显著。因此，如果您正在为周末出行打包行李，或决定户外活动的最佳日期，您将获得更精准的预测来辅助决策。

大气始终保有一定程度的不可预测性。然而，通过基于真实观测数据进行训练并绕过传统建模的约束，WeatherNext 3 让我们更接近一个预报能够真正反映实地情况的未来。

想了解 Google 在地理空间平台和 AI 领域的工作，请访问 Google Earth Engine、AlphaEarth Foundations 以及 Earth AI。

免责声明：如需官方天气预报、恶劣天气警告及公共安全提示，请参阅当地气象机构或国家气象部门。

进一步了解 WeatherNext 3

• 阅读我们的论文
• 使用 WeatherNext 3 进行构建
• 访问 Weather Lab，实时查看 WeatherNext 3 的可视化结果
• 在 Brightband 的独立 实时排行榜 上查看 WeatherNext 3 的排名