Google DeepMind 发布 WeatherNext 3 全球天气 AI 模型

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，实现每小时刷新、更高分辨率、精准降水预报以及清洁能源变量。它现已在搜索、Gemini、地图、Google 地图平台和云中集成。

WeatherNext 团队

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 仍处于实验阶段

每一天，天气都在影响着数十亿个决策。有些决策很简单，比如出门前顺手拿把伞，但另一些则影响深远得多。风、雨以及热浪和干旱等极端天气事件，会在农业、全球供应链、清洁能源生产和各国经济中引发连锁反应。

近年来，AI 已经彻底改变了天气预报，它利用历史记录做出比传统方法更快、更准确的预测。然而，预测高度局部化且快速变化的天气仍然是一项挑战。此前的模型往往缺乏足够的空间分辨率，也难以整合来自卫星等来源的实时天气数据。

今天，Google DeepMind 和 Google Research 推出了 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。我们的模型直接从实时观测中学习，使其能够针对对人们影响最大的天气事件，提供及时且更本地化的预测。通过使用原始卫星数据以高分辨率每小时生成一次预报，我们的模型让可靠预报能够在全球范围内的 Google 产品中使用。

以前所未有的分辨率进行快速天气预报

预报的实用性往往取决于细节，以及它在时间和空间上的解析精细程度。WeatherNext 3 以多种空间分辨率生成逐小时预报，从大尺度全球风型一直到局部地形，始终保持物理一致性。

借助 WeatherNext 3，我们可以以 5 公里分辨率可视化关键地表变量——例如温度和湿度，以 10 公里分辨率可视化其他地表变量，并以 25 公里分辨率可视化风速等大气变量。总体而言，这提供了比我们此前的模型 WeatherNext 2 大约清晰五倍的全球天气图景；后者以 25 公里网格、6 小时间隔生成预报。

图 1：端到端 WeatherNext 3 系统架构。该模型将实时的 1 小时地球静止卫星镶嵌图与传统历史分析一同输入单一、灵活的功能生成网络（FGN）网格 Transformer。它输出密集的网格场、离散的气旋路径，并原生预测站点级稀疏坐标。

图 2：英国上空 2 米温度预报对比。WeatherNext 2（左）为 25 公里（0.25°）分辨率，而 WeatherNext 3（右）为原生 5 公里（0.05°）分辨率。WeatherNext 3 能解析复杂的地方地形，避免旧模型中出现的像素化、过度平滑的热力表现。

连续全球尺度的真实世界数据

WeatherNext 3 最大的飞跃在于它所学习的数据来源。包括 WeatherNext 2 在内的大多数 AI 天气模型，都是用数值天气预报（NWP）模型的数据训练的。NWP 模型虽然有用，但它是复杂的、由超级计算机驱动的物理模拟，存在六小时的数据滞后。这种滞后可能会对降雨或地表温度等快速变化的变量产生偏差。

通过摄取全球地球静止卫星实时数据的拼图，我们的新模型获得了对大气层丰富且持续更新的视图。这使模型能够每小时生成一次新的预报，每一次都基于可获得的最新卫星观测数据，分辨率最高可达 5 公里。

这一点很重要，因为关键天气发展迅速。当风暴、锋面或降水系统突然形成时，我们的快速更新周期和更高分辨率能够提供更早、更详细的洞察，从而帮助推动有效响应。

有些变量，如温度和湿度，在短短几公里内就可能剧烈波动，这对海岸线、山谷或山脉附近的社区尤为重要。传统模型在这里表现不佳，因为它们训练所依据的大气表征缺乏细节，遗漏了极端的局地变化。

为解决这一问题，WeatherNext 3 转而直接基于稀疏的气象站观测数据进行训练。这使我们能够在 5 公里网格上做出全球预报，并考虑到地形等区域细节。

这一突破对拉丁美洲、非洲和亚太地区的许多区域尤为关键，这些地区历来因传统区域模型的巨大超级计算成本而得不到高分辨率预报服务。它为这些地区的数十亿人和本地企业带来了本地化、高保真的预报。

除了改进的分辨率和预报频率，我们的模型还引入了专为可再生能源生产设计的预测。该模型预报 100 米风速（大致为风机轮毂高度）以精确预测风能发电量，同时提供高分辨率的云量和太阳辐射水平，帮助太阳能电站估算其在地面将接收到的光照量。

这些数据对全球清洁能源规划至关重要，使电网运营商和可再生能源开发商能够准确预测其清洁能源资产的发电量，并将其与消费者需求相匹配。

降水预报精度实现突破

全球天气模型在准确预测降水方面历来表现不佳。雨雪系统由极小尺度上快速移动的云过程驱动，使用传统的基于物理的模拟很难准确建模。因此，AI 预报往往产生模糊的估计，或完全遗漏强风暴的边界。

为解决这一问题，我们基于两个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（IMERG），以及我们自己的基于卫星雷达的全球降水再分析数据。

其结果是降水预报精度的大幅跃升。在中程全球预报中，与基线的评估对比显示，在早期预报时效内，连续排名概率得分（CRPS）相对于 IMERG 提升高达 60%，相对于 MRMS 提升 30%，相对于雨量计测量提升 10%。

图 3：中期降水概率（PoP > 1mm）预报对比。WeatherNext 2（左）在 25 公里分辨率下显示出高度弥散且像素化的降水足迹。WeatherNext 3（中）在 11 公里分辨率下与实际的卫星地面真值（右）高度吻合，准确捕捉到天气系统中锐利的对流带。

研究成果在整个生态系统中落地应用

我们的首要目标是推进天气智能，使其得到普遍应用——无论是帮助应急响应人员追踪突发的风向变化，还是协助空中交通管制员规划飞行路线，或是帮助农民管理农作物。

为了将这些突破从实验室带入现实世界，我们正将 WeatherNext 3 整合到 Google 的核心生态系统及更广泛的领域：

• 高分辨率预报数据：我们提供全球天气预报，每小时更新一次，无需模型设置即可集成到你的工作流程中。这使得研究人员、开发者和企业能够在 BigQuery 和 Earth Engine 中查询数据，或从 Google Cloud Storage 批量下载。
• 全球可用：从今天起，WeatherNext 3 将开始为 Google 搜索、Gemini 应用、Google 地图、Google 地图平台天气 API 和 Google Earth Engine 中的天气体验提供支持。此次更新大幅改善了较长期的预报。在提前一天或更长时间进行规划时，人们将看到降水预报准确率提升高达 50%——在历史上预报可靠性较低的地区，改善最为显著。因此，无论你是在为周末旅行打包行李，还是在决定进行户外活动的最佳日子，现在都能获得更准确的预测来帮助你规划。

大气始终会保留一定程度的不确定性。然而，通过基于真实世界观测数据进行训练并绕过传统建模的约束，WeatherNext 3 让我们更接近一个未来：预报真正与地面实际情况相符。

如需了解更多关于地理空间平台和 Google AI 工作的信息，请查看 Google Earth Engine、AlphaEarth Foundations 和 Earth AI。

免责声明：如需官方天气预报、恶劣天气预警和公共安全通告，请参阅当地气象机构或国家气象部门。

了解更多关于 WeatherNext 3 的信息

• 阅读我们的论文
• 使用 WeatherNext 3 进行构建
• 探索 Weather Lab，实时查看 WeatherNext 3 的可视化效果
• 查看 WeatherNext 3 在 Brightband 独立实时排行榜上的排名。

在您的收件箱中获取 Google 的最新资讯

订阅我们的新闻通讯，获取产品更新、活动信息、特别优惠等更多内容。

您的信息将按照Google 隐私政策使用。您可以随时退出。