title: "Google 发布 WeatherNext 3：用实时观测改进全球天气预测"
source_url: "https://deepmind.google/blog/introducing-weathernext-3-our-most-advanced-and-accurate-global-weather-ai-model/"
author: "Google DeepMind News"
excerpt: "公共早报 Google DeepMind 推出 WeatherNext 3，直接学习卫星与气象站观测，以最高 5 公里分辨率提供小时更新预报，并针对降水和可再生能源场景改进预测。"
每天，天气都会影响数十亿人的决策。有些决策简单到只是出门前顺手带把伞，但有些则影响深远。风、雨以及热浪、干旱等极端天气事件，对农业、全球供应链、清洁能源生产和国家经济都会产生连锁影响。
近年来，人工智能彻底改变了天气预报——利用历史数据实现比传统方法更快、更准确的预测。然而，预测高度本地化和快速变化的天气仍然是一个挑战。此前的模型往往缺乏足够的空间分辨率，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 正式发布 WeatherNext 3，据 Brightband 独立实时评估显示，这是迄今为止最先进、最精确的全球天气模型。我们的模型直接从实时观测中学习，能够针对影响人们生活最多的天气事件，提供更及时、更本地化的预测。通过使用原始卫星数据每小时生成一次高分辨率预报，我们的模型让可靠的预测覆盖全球各地的 Google 产品。
00:00
前所未有的高分辨率快速天气预报
预报的实用性往往取决于细节，以及它在时间和空间上的精细程度。WeatherNext 3 以多种空间分辨率生成小时级预报，从广泛的全球风向模式到局部地形，保持物理一致性。
借助 WeatherNext 3，我们可以在 5 公里分辨率下可视化温度和湿度等关键地表变量，在 10 公里分辨率下可视化其他地表变量，在 25 公里分辨率下可视化风速等大气变量。总体而言，这提供了比上一代模型 WeatherNext 2 清晰约五倍的全球天气图像——WeatherNext 2 以 25 公里网格、每 6 小时更新一次的方式生成预报。
图 1：端到端 WeatherNext 3 系统架构。该模型将实时 1 小时静止卫星马赛克数据与传统的历史分析数据结合，输入单一、灵活的函数生成网络（FGN）网格 Transformer，输出密集网格场、离散热带气旋路径，并原生预测站点级稀疏坐标。
抱歉，您的浏览器不支持嵌入式视频，但别担心，您可以下载它，使用您喜欢的播放器观看！ 图 2：英国 2 米温度预报对比。WeatherNext 2（左）分辨率 25 公里（0.25°）vs WeatherNext 3（右）原生分辨率 5 公里（0.05°）。WeatherNext 3 解析了精细的局部地形，避免了旧模型中出现的像素化、过度平滑的热力学表示。
真实世界数据，覆盖全球持续规模
WeatherNext 3 最大的突破在于它所学习的内容。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。尽管这些数据很有用，但 NWP 模型是复杂的、超级计算机驱动的物理模拟，存在六小时的数据延迟。这种延迟可能导致降雨或地表温度等快速变化变量的偏差。
通过摄入实时全球静止卫星数据的马赛克组合，我们的新模型获得了丰富、持续更新的大气视图。这使得模型能够每小时生成一次新预报——每次都基于最新的可用卫星观测，分辨率高达 5 公里。
这一点至关重要，因为关键天气发展很快。当风暴、锋面或降水系统突然形成时，我们的快速更新周期和更高分辨率提供了更早、更详细的洞察，有助于推动有效响应。
某些变量（如温度和湿度）在短短几公里内就可能剧烈波动，这对海岸线、山谷或山脉附近的社区尤为重要。传统模型在这方面表现不佳，因为它们所训练的大气表示缺乏细节，会遗漏极端的局部变化。
为解决这一问题，WeatherNext 3 直接在稀疏气象站观测数据上进行训练。这使我们能够在 5 公里网格上生成全球预报，同时考虑地形等地区域细节。
这一突破对拉丁美洲、非洲和亚太地区尤为重要——由于传统区域模型的超级计算成本高昂，这些地区历来缺乏高分辨率天气预报服务。它为数亿人和当地企业带来了本地化、高保真度的天气预报。
除了提升分辨率和预报频率外，我们的模型还引入了专门为可再生能源生产设计的预测。模型预报 100 米高度风速（大致为风机高度），用于精确的风能输出预测，同时提供高分辨率云量和太阳辐射水平，帮助光伏电站估算地面接收到的光照量。
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，并将其与消费者需求相匹配。
突破性精度的降水预报
全球天气模型在精确预测降水方面历来表现不佳。雨雪系统由微小尺度上快速移动的云过程驱动，难以用传统物理模拟精确建模。因此，AI 预报往往产生模糊的估算，或完全错过强风暴的边界。
为解决这一问题，我们使用两类极高质量的降水数据来训练模型：NASA 基于卫星的综合多卫星反演（GPM IMERG）以及我们基于卫星雷达的全球降水再分析数据。
结果是降水预报精度的大幅提升。在中期全球预报中，与基准线相比，连续概率评分（CRPS）相比 IMERG 提升高达 60%，相比 MRMS 提升 30%，在早期预报时效内相比雨量计测量提升 10%。
图 3：中期降水概率（PoP > 1mm）预报对比。WeatherNext 2（左）25 公里分辨率显示出高度弥散和像素化的降水足迹。WeatherNext 3（中）11 公里分辨率紧密镜像了实际卫星地面真值（右），精确捕捉了天气系统的清晰对流带。
研究成果应用于生态系统
我们的首要目标是推进天气智能，使其普遍有用——无论是紧急救援人员追踪突然的风向变化，空中交通管制员规划航线，还是农民管理庄稼。
为了将这些突破从实验室带入现实世界，我们正在将 WeatherNext 3 整合到 Google 核心生态系统中：
高分辨率预报数据： 我们提供全球天气预报，每小时更新，无需模型设置即可集成到您的工作流程中。这使得研究人员、开发者和企业可以在 BigQuery 和 Earth Engine 中查询数据，或从 Google Cloud Storage 批量下载。
全球可用： WeatherNext 3 将从今天开始为 Google 搜索、Gemini 应用、Google 地图、Google 地图平台天气 API 和 Google Earth Engine 中的天气体验提供支持。这次更新显著改善了更长期限的预报。在规划一天或更长时间时，人们将看到降水预报准确率提升高达 50%——在历史上预报可靠性较低的地区改善最为显著。因此，如果您正在为周末旅行打包，或决定哪天适合户外活动，现在您将获得更准确的预测来帮助规划。
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 让我们更接近这样一个未来：天气预报能够真正匹配地面上正在发生的情况。
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：有关官方天气预报、恶劣天气预警和公共安全咨询，请参考当地气象机构或国家气象服务。
了解更多 WeatherNext 3
探索 Weather Lab 查看实时可视化的 WeatherNext 3
查看 WeatherNext 3 在 Brightband 独立实时排行榜上的排名