Google DeepMind发布WeatherNext 3：更高分辨率的全球天气AI模型

天气预报看似服务于“要不要带伞”这类日常决定，实际上也影响农业生产、电力调度、供应链和极端天气响应。Google DeepMind与Google Research近日推出WeatherNext 3，试图解决全球天气预测中“更新不够快、局地细节不够多”的问题。Google称，该模型在Brightband的独立实时评估中表现出其迄今最先进、最准确的全球天气预测能力。

核心要点

• 逐小时更新：WeatherNext 3接入全球静止气象卫星的实时观测拼图，不再主要依赖存在数据滞后的传统数值天气预报分析结果，因此可以每小时生成新预测。
• 更细的空间分辨率：温度和湿度等关键地表变量最高以5公里网格输出，其他地表变量为10公里，大气变量如风速为25公里。相比WeatherNext 2采用的25公里、6小时更新网格，整体空间细节约提升至此前的5倍。
• 关注局地差异：模型同时利用稀疏气象站观测进行训练，试图更好反映海岸、山谷和山区的地形影响，减少传统粗粒度模型对局部温度和湿度变化的平滑处理。
• 强化降水预测：降雨和降雪往往由快速变化、尺度很小的云过程驱动，是全球天气模型长期难点。WeatherNext 3针对降水进行专门改进，目标是减少模糊预报并更准确识别降水系统边界。
• 加入清洁能源变量：模型提供约100米高度的风速预测，用于估算风机发电潜力，同时预测高分辨率云量和太阳辐射，帮助光伏电站评估可获得的光照。

技术路径与实际意义

WeatherNext 3的系统架构将一小时级静止卫星数据与历史分析数据输入同一个Functional Generative Network网格Transformer，输出密集网格场、气旋路径以及站点级稀疏坐标预测。这意味着它并非只把旧模型做得更快，而是尝试让实时观测直接参与全球预测过程。

更高频率和更细网格，尤其适合快速形成的风暴、锋面和降水系统。对农业而言，更局地化的温度与降水信息有助于安排灌溉和作业；对电网运营商和新能源开发商，风速、云量及太阳辐射预测可用于估算可再生能源出力。Google还强调，这种能力有望覆盖过去因区域超级计算成本较高而难以获得高分辨率预报的拉丁美洲、非洲和亚太地区。

不过，WeatherNext 3的公开信息主要来自Google自身介绍，材料中没有完整披露降水改进的具体指标、误差范围或所有评估设置。因此，其实际优势仍需要更多独立测试验证。当前，模型能力已被整合到Google Search、Gemini、Google Maps、Google Maps Platform和Google Cloud中，天气AI也由单纯的消费级查询工具，进一步走向农业、能源和公共服务等专业场景。

来源：Google DeepMind