2026年9月3日
我们的旗舰 AI 天气预报模型现已纳入实时卫星数据、逐小时更新、更高分辨率、精准降水预报和清洁能源变量。该模型现已集成至 Google 搜索、Gemini、地图、Google Maps Platform 和 Cloud。
WeatherNext 团队
天气每天都会影响数十亿人的决策。有些决定很简单，比如出门前带上一把雨伞；但另一些决定则会带来深远得多的影响。风、降雨以及热浪和干旱等极端天气事件，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，AI 彻底改变了天气预报，利用历史记录，比传统方法更快速、更准确地做出预测。然而，对于高度局地化且快速变化的天气，预测仍然是一项挑战。此前的模型通常缺乏足够的空间分辨率，也难以纳入来自卫星等来源的实时天气数据。
今天，Google DeepMind 和 Google Research 发布了 WeatherNext 3。根据 Brightband 的独立实时评估，这是迄今最先进、最准确的全球天气模型。该模型直接从实时观测数据中学习，从而能够及时、更加局部化地预测对人们影响最大的天气事件。通过利用原始卫星数据，以高分辨率每小时生成一次预报，该模型让全球各地的 Google 产品都能获得可靠的天气预报。
以空前分辨率实现快速天气预测
天气预报的实用性往往取决于细节，以及对时间和空间进行精细解析的能力。WeatherNext 3 能够以多种空间分辨率生成逐小时预报，同时保持从广泛的全球风场模式到局地地形之间的物理一致性。
借助 WeatherNext 3，我们可以以 5 公里的分辨率可视化温度和湿度等关键地表变量，以 10 公里的分辨率呈现其他地表变量，并以 25 公里的分辨率呈现风速等大气变量。总体而言，这为全球天气提供了比上一代模型 WeatherNext 2 清晰约五倍的图景。WeatherNext 2 以 25 公里网格、每 6 小时一次的时间间隔生成预报。
图 1：WeatherNext 3 端到端系统架构。该模型将实时的 1 小时静止气象卫星拼接图与传统历史分析数据结合起来，并输入一个灵活的函数生成网络（Functional Generative Network，FGN）网格 Transformer。模型输出密集网格场、离散气旋路径，并原生预测气象站级别的稀疏坐标。
图 2：英国 2 米气温预报对比。左图为 WeatherNext 2，分辨率为 25 公里（0.25°）；右图为 WeatherNext 3，原生分辨率为 5 公里（0.05°）。WeatherNext 3 能够解析复杂的局地地形，避免旧模型中出现的像素化和过度平滑的温度分布表现。
真实世界数据覆盖持续更新的全球尺度
WeatherNext 3 最大的进步在于它所学习的数据。包括 WeatherNext 2 在内的大多数 AI 天气模型，都使用数值天气预报（NWP）模型生成的数据进行训练。虽然 NWP 模型很有用，但它们是由超级计算机驱动的复杂物理模拟，存在 6 小时的数据延迟。对于降雨或地表温度等快速变化的变量，这种延迟可能会导致偏差。
通过接收实时的全球静止气象卫星数据拼接图，我们的新模型能够持续获得丰富且不断更新的大气视图。这使模型能够每小时生成一次新的预报，每次预报都以最新可用的卫星观测数据为基础，分辨率最高可达 5 公里。
这一点非常重要，因为关键天气状况发展得很快。当风暴、锋面或降水系统突然形成时，快速更新周期和更高分辨率能够更早提供更加详细的信息，从而帮助推动有效响应。
温度和湿度等变量可能在短短几公里范围内发生剧烈变化，这对于海岸线、山谷或山脉附近的社区尤其重要。传统模型在这方面表现不佳，因为它们基于缺乏细节的大气表征进行训练，容易遗漏局地极端变化。
为了解决这一问题，WeatherNext 3 改为直接使用稀疏的气象站观测数据进行训练。这使我们能够在 5 公里网格上生成全球预报，并纳入地形等区域性细节。
对于拉丁美洲、非洲和亚太地区的许多区域而言，这一突破尤为重要。这些地区过去由于传统区域模型需要付出高昂的超级计算成本，长期无法获得高分辨率天气预报。WeatherNext 3 将局地化、高保真度的天气预报带给这些地区数十亿人口和当地企业。
除了提高分辨率和预报频率外，我们的模型还专门针对可再生能源生产引入了预测功能。模型能够预测 100 米高度的风速（大致相当于风力涡轮机的高度），从而精准估算风能产出；同时提供高分辨率云量和太阳辐射水平，帮助太阳能电站估算地面能够接收到的光照量。
这些数据对于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据此准确预测清洁能源资产的发电量，并将其与消费者需求相匹配。
降水预测准确度实现突破
全球天气模型长期以来都难以准确预测降水。雨雪系统由快速移动、尺度极小的云过程驱动，而传统的基于物理的模拟很难准确建模这些过程。因此，AI 预报往往会生成模糊的估计，或者完全无法识别强风暴的边界。
为了解决这一问题，我们使用两种质量极高的降水数据源训练模型：NASA 基于卫星的全球降水测量计划综合多卫星反演产品（Integrated Multi-satellite Retrievals for GPM，IMERG），以及我们基于卫星雷达生成的全球降水再分析数据。
结果表明，降水预测准确度实现了显著提升。在中期全球预报中，与基线结果相比，评估显示连续排序概率得分（Continuous Ranked Probability Score，CRPS）相对于 IMERG 最多提升 60%，相对于 MRMS 提升 30%，在较短提前期内相对于雨量计测量结果提升 10%。
图 3：中期降水概率（PoP > 1mm）预报对比。左图为 25 公里分辨率的 WeatherNext 2，显示出高度扩散且像素化的降水范围；中图为 11 公里分辨率的 WeatherNext 3，与实际卫星地面真值（右图）高度相似，能够准确捕捉到 t