Google DeepMind 发布 WeatherNext 3 天气 AI 模型，分辨率最高 5 公里、每小时更新

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、每小时更新、更高分辨率、精准降水预报以及清洁能源变量。它现已集成到 Search、Gemini、Maps、Google Maps Platform 和 Cloud 中。

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。有些决定很简单，比如出门前带上雨伞，而另一些则重要得多。风、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，利用历史记录做出比传统方法更快、更准确的预测。然而，预测高度局部且快速变化的天气仍然是一个挑战。以往的模型往往缺乏足够的空间分辨率，并且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，这是迄今为止最先进、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，能够为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，我们的模型让可靠的预报在全球 Google 产品中触手可及。

以前所未有的分辨率进行快速天气预测

预报的实用性往往取决于细节，以及它对时间和空间的解析精细程度。WeatherNext 3 以多种空间分辨率生成逐小时预报，从大范围的全球风场模式到局部地形，都能保持物理一致性。

借助 WeatherNext 3，我们可以以 5 公里的分辨率可视化关键的地面变量（如温度和湿度），以 10 公里的分辨率可视化其他地面变量，并以 25 公里的分辨率可视化风速等大气变量。总体而言，这提供了比我们之前的模型 WeatherNext 2 清晰约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 小时地球静止卫星拼图与传统历史分析一同输入到单个灵活的函数生成网络（FGN）网格 transformer 中。它输出密集网格场、离散气旋路径，并可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，WeatherNext 3（右）为原生 5 公里（0.05°）分辨率。WeatherNext 3 能够解析复杂的局部地形，避免了旧模型中出现的像素化和过度平滑的温度表现。

连续全球尺度上的真实世界数据

WeatherNext 3 最大的飞跃在于它的学习来源。大多数 AI 天气模型，包括 WeatherNext 2，都是基于数值天气预报（NWP）模型的数据进行训练。NWP 模型虽然有用，但它们是依赖超级计算机运行的复杂物理模拟，存在六小时的数据延迟。这种延迟可能导致对降雨或地表温度等快速变化变量的偏差。

通过摄取全球静止卫星实时数据拼图，我们的新模型获得了丰富且持续更新的大气视角。这使得该模型能够每小时生成一次新的预报，每次预报都基于最新的可用卫星观测数据，分辨率高达 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出现时，我们的快速更新周期和更高分辨率能够提供更早、更细致的洞察，帮助推动有效应对。

一些变量（如温度和湿度）可能在短短几公里内剧烈波动，这对海岸线、山谷或山脉附近的社区尤为重要。传统模型在这方面表现不佳，因为它们训练时使用的大气表征缺乏细节，会遗漏极端的局地变化。

为解决这一问题，WeatherNext 3 改为直接在稀疏的气象站观测数据上进行训练。这使我们能够在 5 公里网格上进行全球预报，并考虑到地形等区域细节。

这一突破对拉丁美洲、非洲和亚太地区尤为重要，由于传统区域模型巨大的超级计算成本，这些地区长期以来一直缺乏高分辨率预报服务。它为这些地区的数十亿民众和本地企业带来本地化、高保真度的预报。

除了更高的分辨率和预报频率之外，我们的模型还引入了专门为可再生能源生产设计的预测。该模型可预报 100 米高度的风速（大致相当于风机高度），以实现精确的风能输出预测，同时还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地面接收到的光照量。

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。

突破性精度的降水预报

全球天气模型在准确预测降水方面的困难众所周知。雨雪系统由极小尺度上快速移动的云过程驱动，很难用传统的基于物理的模拟来准确建模。因此，AI 预报常常产生模糊的估计，或完全错过强风暴的边界。

为解决这一问题，我们使用两个极其高质量的降水数据源来训练模型：NASA 基于卫星的 GPM 多卫星综合反演数据（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显著飞跃。在中期全球预报中，与基准的对比评估显示，在较短预见期内，连续分级概率评分（CRPS）相对 IMERG 提升高达 60%，相对 MRMS 提升 30%，相对雨量计测量提升 10%。

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

研究成果应用于整个生态系统

我们的首要目标是推进气象智能的发展，使其具有普遍的实用价值——无论是帮助应急响应人员追踪突如其来的风向变化、协助空中交通管制员规划飞行路线，还是帮助农民管理农作物。

为了将这些突破性成果带出实验室、投入现实世界，我们正在将 WeatherNext 3 集成到 Google 的核心生态系统乃至更广泛的领域：

• 高分辨率预报数据：我们正在提供每小时更新的全球天气预测，无需任何模型设置即可集成到您的工作流程中。这让研究人员、开发者和企业能够在 BigQuery 和 Earth Engine 中查询这些数据，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 Maps Platform Weather API 和 Google Earth Engine 中的天气体验提供支持。此次更新显著改善了较长期的预报。在规划一天或更长时间的行程时，人们将看到准确度最高提升 50% 的降水预报——在预报历来不太可靠的地区，改进最为显著。因此，无论您是在为周末出行打包行装，还是在为户外活动挑选最佳日期，现在都能获得更准确的预测来帮助您做出规划。

大气层始终会保有一定程度的不确定性。然而，通过在真实世界观测数据上进行训练并摆脱传统建模的限制，WeatherNext 3 让我们离预报真正契合地面实况的未来更近了一步。

要详细了解 Google 在地理空间平台和 AI 方面的工作，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，请查询您当地气象机构或国家气象部门。

详细了解 WeatherNext 3

• 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 独立的实时排行榜上的排名。

在您的收件箱中获取 Google 的最新资讯

订阅我们的简报，获取产品更新、活动信息、特别优惠等内容。

您的信息的使用将遵循 Google 隐私政策。您可以随时选择退订。