Google DeepMind 发布 WeatherNext 3 天气 AI 模型
来源Google DeepMind查看原文
速览
- WeatherNext 3 直接学习实时卫星数据，不再主要依赖 NWP 模拟数据。
- 预报频率从每 6 小时提升到每小时，分辨率最高达 5 公里。
- 全球天气图清晰度约为 WeatherNext 2 的五倍。
- 降水预报 CRPS 相对 IMERG 最高提升 60%。
- 新增 100 米风速、云量和太阳辐射预报，服务清洁能源。
- 已接入 Search、Gemini、Maps、Maps Platform API 和 Earth Engine。
- 开发者可通过 BigQuery、Earth Engine 查询或从 Cloud Storage 下载数据。
- Google 称用户长周期降水预报准确度最高提升 50%。
Google DeepMind 与 Google Research 发布 WeatherNext 3，称其为目前最先进、最准确的全球天气 AI 模型。该模型不再主要依赖传统数值天气预报（NWP）数据，而是直接学习实时地球静止卫星观测数据，实现每小时更新一次预报，最高 5 公里分辨率，整体精度约为上一代 WeatherNext 2 的五倍。WeatherNext 3 同时针对降水、风能和太阳能等场景做了专门优化，并已接入 Google Search、Gemini、Google Maps、Google Maps Platform Weather API 和 Google Earth Engine，开发者可通过 BigQuery、Earth Engine 查询或从 Google Cloud Storage 批量下载数据。
关键事实
- WeatherNext 3 由 Google DeepMind 与 Google Research 发布，发布时间为 2026 年 9 月 3 日。
- 模型最高以 5 公里分辨率提供每小时预报，部分地表变量为 10 公里，风速等大气变量为 25 公里。
- 上一代 WeatherNext 2 为 25 公里网格、每 6 小时更新一次，WeatherNext 3 的全球天气图约为其五倍清晰。
- 模型直接使用实时地球静止卫星数据训练，绕开了 NWP 模型约 6 小时的数据延迟。
- 降水预报在中程全球预报中，CRPS 相对 IMERG 最高提升 60%，相对 MRMS 提升 30%，相对雨量计测量提升 10%。
- 模型新增 100 米高度风速预报，以及高分辨率云量和太阳辐射预报，用于风能和太阳能出力估算。
本站视角
对中文开发者和做气象、农业、能源、物流相关产品的团队来说，这件事的直接影响是：高分辨率全球天气数据第一次以「无需自建模型、按小时更新、可通过 BigQuery 和 Cloud Storage 直接取用」的方式开放。过去要拿到 5 公里级、逐小时的全球预报，通常需要接入商业气象厂商或自建区域模型，成本和门槛都不低；WeatherNext 3 把这条路径压缩成 API 和数据下载，国内做出海农业 SaaS、新能源功率预测、跨境物流调度的团队可以低成本试水。对国内气象 AI 团队而言，这既是压力也是参照：Google 选择绕开 NWP 训练数据、直接吃原始卫星观测，等于把竞争焦点从「模型结构」推向「数据管道和实时观测接入能力」，而这恰恰是拥有自有卫星和地面站资源的机构的优势区。我们的判断是，这次发布是实质性进步而非纯营销：从 25 公里/6 小时到 5 公里/1 小时，加上降水 CRPS 相对 IMERG 最高 60% 的提升，量级上不是微调；清洁能源变量的加入也说明 Google 在往可付费的行业场景走，而不只是做搜索里的天气卡片。但需要指出两点可疑之处：一是「最先进、最准确」的结论来自 Brightband 的独立实时评测，原文没有给出评测的变量范围、区域权重和对比模型清单，单一评测来源不足以支撑全球性结论；二是「降水预报准确度最高提升 50%」是面向用户的产品口径，与论文中的 CRPS 指标不是同一套度量，两者不应混为一谈。对国内团队来说，更值得跟进的是它的数据接入方式能否稳定可用、以及 Google Cloud 上的调用成本和配额，而不是发布稿里的精度数字。
背景与影响
传统天气预测依赖数值天气预报（NWP），即用超级计算机求解物理方程，成本高且存在约 6 小时的数据延迟，对降雨、地表温度等快速变化的变量容易产生偏差。近年 AI 天气模型多用历史 NWP 数据训练，虽然更快，但空间分辨率不足，也难以纳入实时卫星观测，导致对局地、快速变化的天气预测能力有限。WeatherNext 3 的路线是直接以原始卫星数据和稀疏气象站观测为训练来源，用单一 Functional Generative Network（FGN）mesh transformer 同时输出网格场、气旋路径和站点级坐标预测。这一路线对拉丁美洲、非洲和亚太等长期缺乏高分辨率区域预报能力的地区意义较大，因为这些地区过去受限于传统区域模型所需的超级计算成本。模型还专门加入 100 米风速、云量和太阳辐射变量，指向风电和光伏出力预测这一明确商业场景。需要观察的是，Google 引用的独立评估来自 Brightband，具体评测方法和覆盖范围原文未展开，实际业务收益仍需第三方复现验证。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
