想象一下，如果你能以 5 公里的极高分辨率、每小时一次的频率获取全球天气动态，天气预报的准确性将迎来怎样的质变？

近日，Google DeepMind 与 Google Research 联手揭开了全新全球气象 AI 模型 WeatherNext 3 的面纱。这款模型不仅彻底打破了传统气象 AI 在局部地形分辨率和初始化延迟上的枷锁，更在数据架构与预报精度上实现了全面跨越。

告别平滑失真：直连卫星与气象站的真实数据

以往的 AI 气象模型通常依赖数值天气预报（NWP）的再分析网格，这种方式往往会“抹平”海岸线、山谷和山脉等复杂地形带来的局部气候变化。WeatherNext 3 选择了另一条路：它的输入端直接接入全球实时静止卫星拼图与欧洲中期天气预报中心（ECMWF）的 HRES 分析数据。

更关键的是，在训练阶段，模型广泛汲取了 ERA5/HRES-fc0、NASA 的 IMERG、气象站实测数据以及卫星拼图等多源信息。通过针对原始气象站观测数据训练专用的输出头，WeatherNext 3 生成的 0.05 度温度和露点预报，不再是单纯依赖物理大气表征的“理论值”，而是无限逼近真实仪器的记录。

单次前向传递，三级分辨率全覆盖

在分辨率与更新频次上，WeatherNext 3 展现了惊人的效率，仅需单次前向传递即可输出三个层级的精细预报：

• 第一层（约 5 公里 / 0.05 度）： 基于气象站训练的 2 米气温和露点数据，提供极高精度的局部气候信息。
• 第二层（约 10 公里 / 0.1 度）： 网格表面数据大集合，涵盖 10 米与 100 米风速、气压、海面温度、云层分布、太阳辐射及 1 小时降水量。
• 第三层（约 25 公里 / 0.25 度）： 覆盖 13 个气压层的大气场数据。

相比前代模型每 6 小时输出一次 0.25 度字段，WeatherNext 3 的精度实现了约 5 倍的跃升。

每小时滚动刷新：死磕强对流天气

在更新频次上，该模型每天进行 24 次初始化，彻底打破了以往依赖滞后 6 小时传统数值预报分析的周期局限。

具体而言，在世界时 00、06、12 和 18 点，天气系统循环可向后延伸预测 15 天（360 小时），并包含 64 个集成成员；而临时的每小时运行则覆盖 48 小时窗口。这种基于当前卫星观测的每小时滚动刷新机制，对于捕捉快速发展、瞬息万变的强对流天气具有无可估量的价值。

降水与新能源：打通业务应用的任督二脉

降水预报一直是全球气象模型的历史痛点，极易出现模糊不清或错过风暴边界的情况。WeatherNext 3 结合了 ECMWF 再分析、NASA 的 IMERG 卫星反演以及 Google 自身的卫星雷达降水再分析等多源数据进行训练。在早期预报阶段，其连续排名概率评分（CRPS）相比 IMERG 基准最高提升了 60%，相比气象站雨量计也有显著改善。

对于蓬勃发展的新能源领域，该模型更是给出了“定制级”的支持：精准输出约风力涡轮机枢纽高度的 100 米风速、低中高云层完整分布以及太阳辐照度的各项分量。这些关键数据组合能够直接赋能电网运营商，实现对风能与太阳能发电输出的精准预测。

开放获取与未来展望

目前，WeatherNext 3 的预报数据已向公众开放申请，用户可通过 BigQuery、Earth Engine 以及 Cloud Storage 获取这些高价值数据。不过需要注意的是，其模型权重尚未开源，且按需自定义推理目前仍运行旧版的 WeatherNext 2。

随着 WeatherNext 3 的全面推进，全球天气预报正加速迈向高精度、高时效的全新智能化时代。无论是应对极端天气，还是赋能绿色能源，AI 气象大模型正在展现出重塑行业的巨大潜力。