谷歌WeatherNext3刷新全球气象预报精度

谷歌DeepMind与谷歌研究院近日联合发布了全新的全球天气AI模型WeatherNext3。这一模型打破了传统气象AI在局部地形分辨率和初始化延迟上的固有瓶颈，通过直接接入实时静止卫星拼图进行每小时初始化，并采用原始气象站观测数据进行训练，实现了从数据架构到预报精度的全方位跃升。

在核心架构上，WeatherNext3沿用了与WeatherNext2相同的概率型功能生成网络（FGN）网格Transformer架构，并扩展至多分辨率输出。其输入端直接接入全球实时静止卫星拼图与欧洲中期天气预报中心（ECMWF）的HRES分析数据，同时利用ERA5/HRES-fc0、美国宇航局（NASA）的IMERG、气象站实测数据以及卫星拼图等多源信息进行训练。相比传统气象AI依赖数值天气预报（NWP）的再分析网格，WeatherNext3通过针对原始观测数据训练专用的输出头，使其生成的0.05度温度和露点预报更贴近真实仪器记录，而不再单纯依赖模型自身的物理表征。

在分辨率与更新频次方面，WeatherNext3凭借单次前向传递即可输出三层级预报。第一层为0.05度（约5公里）分辨率的2米气温和露点；第二层为0.1度（约10公里）分辨率的网格表面数据，涵盖10米与100米风速、气压、海面温度、云层分布、太阳辐射及1小时降水量；第三层是覆盖13个气压层的0.25度（约25公里）大气场。相比前代每6小时输出一次0.25度字段，其空间精度提升约5倍。该模型每天进行24次初始化，其中每日00、06、12、18时的循环可向后延伸预测15天（360小时）并包含64个集成成员，临时的每小时运行则覆盖48小时窗口。这种基于实时卫星观测的滚动刷新，彻底摆脱了以往滞后6小时的传统数值预报分析周期，对快速发展中的强对流天气捕捉能力显著增强。

在降水模拟方面，WeatherNext3表现出突出的业务应用价值。降水预报历来是全球模型的难点，极易产生模糊边界并漏掉风暴细节。该模型结合ECMWF再分析、NASA的IMERG卫星反演以及谷歌自身卫星雷达降水再分析等多源数据进行训练。在早期预报阶段，其连续排名概率评分（CRPS）相较IMERG基准最高可提升60%，对比气象站雨量计数据也有明显改进。对于新能源领域，该模型能精准输出风力涡轮机枢纽高度的100米风速、低中高云层完整分布以及太阳辐照度分量，这些关键的精细化数据可以直接帮助电网运营商预测风能与太阳能发电输出，提升清洁能源并网效率。

目前，WeatherNext3的预报数据已开放申请，用户可通过BigQuery、Earth Engine及Cloud Storage获取。不过，该模型的权重尚未开源，且按需自定义推理仍沿用旧版WeatherNext2。随着这一模型的全面落地，全球天气预报正加速步入高精度、高时效的智能化新时代。