Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型， hourly 更新且分辨率较上一代提升约 5 倍

我们的旗舰 AI 天气预报模型现已纳入实时卫星数据、每小时刷新、更高分辨率、精准降水预报以及清洁能源变量。目前，它已全面集成到 Search、Gemini、Maps、Google Maps Platform 和 Cloud 中。

WeatherNext 团队

Google 推出了 WeatherNext 3，这是一款先进的 AI 模型，通过使用实时卫星数据而非传统物理模拟，提供更准确、更高分辨率的天气预报。此次更新提供每小时更新的本地化预测，清晰度是此前版本的 5 倍，为农业、可再生能源和日常规划带来显著改善。你现在可以直接通过 Google Search、Maps 和 Gemini 获取这些增强版预报，或通过 Google Cloud 将数据集成到自己的项目中。

• 欢迎查看“Introducing WeatherNext 3”，这是我们迄今最先进、最准确的全球天气 AI 模型。
• 我们现在提供每小时更新的高分辨率预报，清晰度是此前的 5 倍。
• 我们的模型利用实时卫星数据，以惊人的精度追踪快速变化的天气。
• 你将获得更准确的降雨和降雪预报，从而更有信心地规划每一天。
• 这些更新正在 Google 各应用中逐步推出，帮助每个人做出更明智的决策。

谷歌刚刚发布了 WeatherNext 3，这是一款能让天气预报更快、更准的 AI 模型。它利用实时卫星数据每小时更新一次，让你对户外的天气状况有更清晰的了解。这有助于人们更好地为暴风雨或晴天等天气做规划。目前，它正在为你在 Google 搜索和地图中看到的天气信息提供支持。

探索其他风格：

每天，天气都会影响数十亿个决策。有些决策很简单，比如出门前拿把伞，但另一些则影响深远得多。风、雨以及热浪、干旱等极端天气事件，会对农业、全球供应链、清洁能源生产以及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。然而，预测高度局部化且快速变化的天气仍然是一项挑战。以往的模型往往缺乏足够的空间分辨率，并且难以整合来自卫星等来源的实时天气数据。

今天，Google DeepMind 和 Google Research 推出了 WeatherNext 3，根据 Brightband 的独立 实时评估，这是迄今为止最先进、最准确的全球天气模型。我们的模型直接从实时观测中学习，使其能够针对对人们影响最大的天气事件提供及时且更本地化的预测。通过利用原始卫星数据以高分辨率每小时生成一次预报，我们的模型让全球用户都能在 Google 产品中获取可靠的预报。

以前所未有的分辨率实现快速天气预报

预报的价值往往取决于其细节程度，以及它在时间和空间上的分辨率有多精细。WeatherNext 3 以多种空间分辨率生成逐小时预报，从广阔的全球风场模式一直到局部地形，都能保持物理一致性。

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），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，这提供的全球天气图像比我们之前的模型 WeatherNext 2 清晰约五倍——后者以 25 公里网格、6 小时间隔生成预报。

图 1：端到端的 WeatherNext 3 系统架构。该模型摄取实时 1 小时地球静止卫星拼图，并结合传统的历史分析数据，输入到一个单一、灵活的 Functional Generative Network（FGN）网格 Transformer 中。它输出密集的网格化字段、离散的气旋路径，并以原生方式预测站点级别的稀疏坐标。

图 2：英国上空 2 米温度预报对比。WeatherNext 2（左）为 25 公里（0.25°）分辨率，WeatherNext 3（右）为原生 5 公里（0.05°）分辨率。WeatherNext 3 能够解析复杂的局部地形，避免了旧模型中出现的像素化、过度平滑的热力表征。

持续全球规模的真实世界数据

WeatherNext 3 最大的飞跃在于它的学习来源。大多数 AI 天气模型（包括 WeatherNext 2）都是基于数值天气预报（NWP）模型的数据进行训练的。NWP 模型虽然有用，但它们是复杂、由超级计算机驱动的物理模拟，存在六小时的数据延迟。这种延迟可能会导致对降雨或地表温度等快速变化变量产生偏差。

通过摄入全球实时地球静止卫星数据的拼接图，我们的新模型获得了对大气丰富且持续更新的观测视角。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。

这一点很重要，因为关键天气变化发展迅速。当风暴、锋面或降水系统突然出现时，我们快速的更新周期和更高的分辨率能够提供更早、更详细的洞察，有助于推动有效的应对措施。

一些变量，如温度和湿度，可能在仅仅几公里的范围内就发生剧烈波动，这对靠近海岸线、山谷或山脉的社区尤其重要。传统模型在这方面表现不佳，因为它们训练所用的大气表征缺乏细节，并且会遗漏极端的局部变化。

为了解决这个问题，WeatherNext 3 改为直接基于稀疏的天气站点观测数据进行训练。这使我们能够在 5 公里网格上进行全球预报，并考虑到地形等区域细节。

这一突破对拉丁美洲、非洲和亚太地区的众多区域尤为关键。由于传统区域模型需要极其高昂的超算成本，这些地区在历史上一直难以获得高分辨率预报服务。如今，该技术将本地化、高保真的天气预报带给了这些地区的数十亿人口和本地企业。

除了分辨率和预报频率的提升，我们的模型还引入了专门针对可再生能源发电设计的预测能力。模型可预报100米高度（大致相当于风机轮毂高度）的风速，用于精确估算风能发电量；同时提供高分辨率的云量和太阳辐射数据，帮助光伏电站估算其在地面能够接收到的光照量。

这些数据对全球清洁能源规划至关重要，使电网运营商和可再生能源开发商能够准确预测其清洁能源资产将产生多少电力，并将其与用户需求进行匹配。

降水预报实现突破性精度

全球天气模型在准确预测降水方面向来面临巨大挑战。降雨和降雪系统由微小尺度上快速运动的云过程驱动，传统的基于物理的模拟方法很难对其进行精确建模。因此，AI 预报常常产生模糊的估算结果，甚至完全遗漏强风暴的边界。

为解决这一问题，我们在两个质量极高的降水数据源上训练模型：NASA 基于卫星的 GPM 综合多卫星反演数据（IMERG），以及我们基于卫星雷达构建的全球降水再分析数据。

其结果是降水预报精度实现了显著飞跃。在中长期全球预报中，与基线模型的对比评估显示，在较早的预报时效内，连续排序概率评分（CRPS）相比 IMERG 提升最高达 60%，相比 MRMS 提升 30%，相比雨量计观测提升 10%。

图 3：中期降水概率（PoP > 1mm）预报对比。WeatherNext 2（左）以 25 公里分辨率呈现，降水足迹高度弥散且呈像素化。WeatherNext 3（中）以 11 公里分辨率呈现，与实际的卫星地面真值（右）高度吻合，能够准确捕捉天气系统中尖锐的对流雨带。

研究在生态系统中的广泛应用

我们的首要目标是推进天气智能，使其具有普适价值——无论是帮助应急响应人员追踪突发的风向变化、空中交通管制员规划飞行路径，还是农民管理农作物。

为了将这些突破从实验室带入现实世界，我们正在将 WeatherNext 3 集成到 Google 的核心生态系统及更广泛的领域：

• 高分辨率预报数据： 我们提供全球天气预报数据，每小时更新，可直接集成到您的工作流程中，无需任何模型部署。这使得研究人员、开发者和企业能够在 BigQuery 和 Earth Engine 中查询数据，或从 Google Cloud Storage 批量下载。
• 全球上线：WeatherNext 3 将从今天起为 Google 搜索、Gemini 应用、Google 地图、Google 地图平台天气 API 以及 Google Earth Engine 中的天气体验提供支持。此次更新大幅提升了长期预报的准确性。当用户规划一天或更长时间的活动时，降水预报的准确率将提升最多 50%——其中，历史上预报可靠性较低的地区改善最为显著。因此，无论你是要为周末出行收拾行李，还是决定户外活动的最佳日期，现在都能获得更准确的预测来辅助规划。

大气层始终会保留一定程度的不确定性。然而，通过在真实世界观测数据上训练并绕开传统建模的限制，WeatherNext 3 让我们更接近这样一个未来：预报真正与地面实际发生的情况相符。

要了解更多关于 Google 地理空间平台和 AI 工作的信息，请查看 Google Earth Engine、AlphaEarth Foundations 和 Earth AI。

免责声明：如需获取官方天气预报、恶劣天气警报和公共安全提示，请参考当地气象部门或国家气象服务机构。

了解更多关于 WeatherNext 3 的信息

• 阅读我们的论文
• 使用 WeatherNext 3 进行开发
• 探索 Weather Lab，实时查看 WeatherNext 3 的可视化效果
• 查看 WeatherNext 3 在 Brightband 的独立 实时排行榜上的排名。