WeatherNext 3 – 谷歌推出的全球气象AI模型

谷歌 DeepMind 与 Google Research 联合发布 WeatherNext 3，称其为当前最精确的全球气象 AI 模型。该模型直接以实时卫星观测数据为输入，每小时生成一次高分辨率预报，地表关键变量精度达 5 公里，较上一代 WeatherNext 2 的 25 公里网格提升约 5 倍。在 Brightband 独立实时评测中，它击败了微软、英伟达、欧洲中期天气预报中心以及美国国家气象局的方案，拿下综合排名第一。

WeatherNext 3特点

• 一小时一刷新：传统 AI 气象模型依赖政府超级计算机每 6 小时产出的再分析数据，WeatherNext 3 直接吃实时卫星拼图，60 分钟就能出一轮全新预报，对突发风暴、锋面等快速演变的天气事件响应速度提升一个量级。
• 5 公里级地表精度：温度和露点在 5 公里网格上输出，其他地表变量 10 公里，大气变量 25 公里，三层分辨率一次前向推理同时产出。
• 直接对标地面实测：专门用原始气象站观测数据训练输出头，模型预测的不是”大气再分析格点上的近似值”，而是仪器实际会读到的数字，这让它在复杂地形区域的温度预测更贴近真实。
• 降水预报大幅改善：提前一天以上的降水预报准确率较 WeatherNext 2 最高提升 50%，在雨量站稀疏的美欧以外地区改进最为明显。

WeatherNext 3技术原理

WeatherNext 3 沿用 WeatherNext 2 引入的函数生成网络（FGN）网格 Transformer 架构，参数量扩展到前代的 2.4 倍。输入端接入全球地球静止卫星的实时拼图，搭配 ECMWF HRES 分析场，训练数据混合了 ERA5 再分析、NASA IMERG 降水产品、卫星 mosaic 以及地面气象站原始记录。

传统 AI 气象模型大多从再分析格点数据学习，这些经过物理模型平滑处理的数据会抹掉海岸线、山谷、山脉等局地特征。WeatherNext 3 的做法是给温度和露点等变量单独训练一组”观测头”，直接用气象站实测值做监督信号，相当于让模型学会”站在观测员的角度看天气”，而不是”站在再分析格点上看天气”。

模型权重目前未开源，预报数据通过 BigQuery、Earth Engine 和 Cloud Storage 提供，需申请白名单。

WeatherNext 3功能

• 全球逐小时高分辨率天气预报，覆盖温度、湿度、风速、气压、海面温度、云层分布、太阳辐射和逐小时降水量；
• 100 米高度风速预测，与主流风力涡轮机轮毂高度匹配，可精准估算风电场出力；
• 高分辨率云量和太阳辐射数据，帮助光伏电站评估地面接收光照；
• 气旋路径可视化，延续 WeatherNext 2 的强项并进一步细化；
• 长期预报降水准确率提升最高 50%，用户规划一天以上的户外活动时可参考更可靠的降水信息。

WeatherNext 3应用场景

• 谷歌产品生态：即日起为 Google 搜索、Gemini、Google Maps、Maps Platform Weather API 和 Earth Engine 提供底层气象数据，用户查天气、规划路线、问 Gemini 出行建议时，背后跑的就是 WeatherNext 3。
• 清洁能源调度：电网运营商和可再生能源开发商可据此精准预测风电和光伏出力，匹配用电负荷，降低弃风弃光率。伦敦非营利组织 Open Climate Fix 已参与测试，其联合创始人指出，一片大云飘过太阳能电站密集区，一小时内就能”吃掉”相当于一座燃煤电厂的发电量。
• 发展中国家气象服务：拉美、非洲、亚太地区长期因超级计算成本高昂而缺乏高分辨率预报，WeatherNext 3 用稀疏站点数据训练的方式绕开了这一瓶颈，让这些地区数十亿人首次获得 5 公里级本地化预报。
• 防灾减灾：极端天气发展迅速时，每小时更新和 5 公里精度能为风暴、洪水等突发事件提供更早的预警窗口。
• 供应链与大宗商品：物流路线规划、农产品供给评估、商品衍生品定价等场景均可接入其预报数据，减少因天气不确定性带来的决策偏差。

WeatherNext 3同类产品对比

表格