WeatherNext 3 直接从实时卫星数据学习天气

关键信息

谷歌表示，WeatherNext 3 的清晰度大约是 WeatherNext 2 的五倍；后者使用 25 公里网格和六小时更新，而 WeatherNext 3 对温度和湿度采用 5 公里分辨率，对其他地表变量采用 10 公里分辨率，对风速等大气变量采用 25 公里分辨率。谷歌还称，降水预报最高可提升 50% 的准确度，并加入了面向可再生能源的输出，例如 100 米高度风速、云量和太阳辐照度估计。

资讯摘要

谷歌研究院和 DeepMind 发布了 WeatherNext 3，这是一款与传统数值天气预报模拟不同的 AI 天气模型。它不再依赖超级计算机运行的物理模型，而是直接从实时的静止气象卫星观测中学习，并以每小时一次的频率刷新预报。谷歌表示，这种设计减少了延迟，也能更好地应对降雨、气温等变化很快的气象变量。该模型以 5 公里网格输出预报，分辨率明显高于 WeatherNext 2 使用的 25 公里网格。不同变量还采用不同分辨率：温度和湿度为 5 公里，其他地表变量为 10 公里，风速等大气变量为 25 公里。

谷歌还说，模型结合了单个气象站数据，因此能更好地刻画海岸线、山谷、山脉等局地地形特征。对于降水问题，谷歌表示 WeatherNext 3 采用了 NASA 基于卫星的 IMERG 数据集，以及谷歌自己基于卫星雷达构建的全球降水分析数据，并在多个基准上取得了明显提升。除了通用天气预报之外，该模型还输出面向可再生能源的指标，包括 100 米高度风速、云量和太阳辐照度，以帮助估算风电和光伏发电量。现在，这些预报已接入 Google Search、Maps、Gemini 应用、Maps Platform Weather API 和 Google Earth Engine，并面向研究人员、开发者和企业按小时更新。

资讯正文

谷歌的 WeatherNext 3 摒弃物理模拟，直接从实时卫星数据中学习天气

要点

- 谷歌和 DeepMind 发布了 WeatherNext 3，这是一款 AI 天气模型，它跳过传统物理模拟，直接从实时卫星数据中学习。

- 该模型可在五公里网格上生成逐小时预报，比其前代产品细致五倍，能够以更高精度捕捉局地天气事件和地形细节。

- WeatherNext 3 还会生成针对可再生能源定制的数据，并提供最高准确率提升 50% 的降水预报。目前，这些功能都已在 Google Search、Maps 和 Gemini 中上线。

来自 Google Research 和 DeepMind 的 WeatherNext 3 摒弃了传统物理模型，直接从实时卫星数据中学习。谷歌承诺，它的细节程度提升五倍，并支持逐小时更新。

此前的 AI 天气模型，包括 WeatherNext 2，都是基于数值天气预报（NWP）数据进行训练的。谷歌表示，这些模拟运行在超级计算机上，并且有六小时延迟，这会给降雨和气温等变化迅速的变量带来误差。

而 WeatherNext 3 则改为处理实时的地球静止卫星数据。它基于最新观测，每小时生成一次新的预报，分辨率最高可达五公里。对于快速发展的风暴或降水，更新周期更快意味着预测会更早，也更准确。

比前代产品清晰五倍

该模型可在多种分辨率下生成逐小时预报。气温和湿度的分辨率为五公里，其他地表变量为十公里，大气变量如风速则为二十五公里。相比之下，WeatherNext 2 使用的是 25 公里网格，更新时间间隔为六小时，因此 WeatherNext 3 的清晰度大约提升了五倍。

谷歌用英国上空的气温预报来展示这种差距。25 公里分辨率的 WeatherNext 2 生成的是一张像素化地图，而 5 公里分辨率的 WeatherNext 3 则能捕捉到局地地形。

该模型还会结合单个气象站的数据进行训练，以捕捉海岸线、山谷和山脉。这使得它能够提供更细致的全球预报，更好反映区域条件。谷歌表示，拉丁美洲、非洲和亚太地区将从中受益最大，因为传统区域模型的高计算成本使这些地区长期得不到充分服务。

更好的降雨预测和可再生能源数据

全球天气模型长期以来都难以准确处理降水，因为雨雪取决于小尺度上快速变化的云过程。谷歌为该模型训练了两个数据来源：NASA 基于卫星的 IMERG 数据集，以及谷歌基于卫星雷达构建的全球降水分析数据。

对于中期全球预报，连续排名概率评分（CRPS）显示，相比 IMERG 的改进最高可达 60%，相比 MRMS 的改进可达 30%，而在短提前时效下，相比雨量计的改进为 10%。WeatherNext 3 还会预测 100 米高度的风速，大致相当于风机叶轮高度，以估算风电场输出。更准确的云量和太阳辐照度数据则可让太阳能设施计算预期发电量。谷歌表示，这应当有助于电网运营商平衡供需。

正在向 Search、Maps 和 Gemini 推出

谷歌每小时更新一次预报数据。研究人员、开发者和企业可以通过 BigQuery 和 Earth Engine 查询这些数据，也可以从 Google Cloud Storage 中批量下载。WeatherNext 3 现在为 Google Search、Gemini 应用、Google Maps、Google Maps Platform Weather API 以及 Google Earth Engine 中的天气功能提供支持。

在规划一天或更长时间之后的行程时，用户应该能看到最高提升 50% 的降水预报准确率，在预测一直不够可靠的地区，改进幅度最大。

谷歌承认，大气始终会带有一定程度的不可预测性。对于官方预报、极端天气警报和安全提示，公司建议用户参考各国国家气象服务机构。

Google DeepMind 于 2025 年 11 月推出了 WeatherNext 2。该模型在 99.9% 的所有气象变量和预报时间窗口上都优于第一代 WeatherNext，同时速度快 8 倍，能够在单个 TPU 上不到一分钟内处理数百种天气情景。它建立在 Functional Generative Network 之上，而 WeatherNext 3 也采用了同样的架构。WeatherNext 2 已经为 Google Search、Gemini、Pixel Weather 和 Weather API 提供支持。

在 2026 年 8 月，DeepMind 以开源许可发布了 WeatherNext 2 和 WeatherNext Cyclones。该气旋模型在单一系统中预测热带风暴路径和强度，尽管使用的网格分辨率大约粗糙了一百倍，但其预测时效比领先的业务运行模型大约还能多提前一天。2024 年底，DeepMind 发布了 GenCast，这是首个在概率意义上超越 ECMWF 集合系统的 AI 天气模型。

来源与参考

1. 原始链接
2. Google's WeatherNext 3 ditches physics simulations and learns weather directly from live satellite data