AI 天气预报模型在过去三年里一路狂奔，试图赶超传统的物理预报，但始终被两块“绊脚石”卡住脖子：一是空间分辨率太粗，难以刻画局地地形特征；二是初始化严重依赖滞后约 6 小时的数值天气预报（NWP）分析数据。

现在，Google DeepMind 与 Google Research 联手丢出了破局之作——WeatherNext 3。它不仅将全球预报分辨率提升至惊人的 5 公里，更实现了每小时刷新一次的壮举。

告别“平滑滤镜”：直接拿实测数据训练

过去多数 AI 气象模型都在 NWP 再分析数据上“啃书本”，这导致海岸线、山谷和山地等关键局部差异被无情抹平。WeatherNext 3 彻底改变了这一思路。

研发团队为模型设计了专门的“观测头”，直接在原始气象站测量数据上进行训练，确保其 0.05°（约 5 公里）分辨率的气温和露点输出能够精准校准到仪器的真实读数。同时，模型将实时全球静止卫星拼图作为直接输入源，结合 ECMWF HRES 分析，每小时重新进行一次初始化。据 Google AI 透露，在 Brightband 的独立实时评测中，WeatherNext 3 被评为迄今最准确的全球天气模型。

架构方面，WeatherNext 3 采用了函数生成网络（FGN）网格 Transformer。它继承了 WeatherNext 2 的概率模型家族血统，但成功将能力扩展至多分辨率输出。其训练数据极其丰富，涵盖了 ERA5/HRES-fc0、NASA 的 IMERG、站点观测以及卫星拼图。

清晰度跃升 5 倍：小时级刷新与三档分辨率

相比上一代 WeatherNext 2 每 6 小时输出一次 0.25° 场的保守做法，WeatherNext 3 带来了质的飞跃。单次前向推理即可产出三档精细化结果：

• 0.05°（约 5 公里）：站点训练型的 2 米气温与露点。
• 0.1°（约 10 公里）：10 米和 100 米地面风、气压、海表温度、云层、太阳辐射与 1 小时降水。
• 0.25°（约 25 公里）：覆盖 13 个气压层的大气场。

这也就是官方所称“清晰度提升约 5 倍”的底气所在。此外，模型每天初始化 24 次：在 00、06、12、18 UTC 四个主天气学周期，可预报至 15 天（360 小时），并包含 64 个集合成员；其余时段的运行则覆盖 48 小时。对于快速生消的对流天气来说，基于实时卫星观测的小时级刷新，与滞后 6 小时的循环有着天壤之别。

降水预测大跃进与新能源布局

全球模型在降水预测上往往表现得模糊且难以捕捉风暴边界。为此，WeatherNext 3 动用了 ECMWF 再分析、NASA IMERG 卫星反演以及 Google 自有的卫星雷达降水再分析三类数据源进行专项训练。

结果相当惊艳：在短期预报时效上，其 CRPS（连续排名概率得分）相比基线最多提升了 60%（对标 IMERG）、30%（对标 MRMS）和 10%（对标雨量计）。在对标 IMERG 评估时，Brier 分数与 CRPS 相比 NWP 基线更是最高降低了 50%。

更贴心的是，模型充分考虑了可再生能源调度的痛点，直接输出了约等于风机轮毂高度的 100 米风速、完整的低/中/高云分布，以及 SSRD 和 FDIR 两项太阳辐照分量——这简直是电网运营商预测风光出力的“梦幻组合”。

数据获取与使用限制

目前，用户可以通过 BigQuery、Earth Engine 和 Cloud Storage 申请获取 WeatherNext 3 的预测数据。但需要留意的是，WeatherNext 3 的模型权重并未开源。如果有按需自定义推理的需求，目前仍需使用开源的 WeatherNext 2 来完成。