推出 WeatherNext 3，我们最先进的全球天气AI模型

# 推出 WeatherNext 3：我们最先进、最精准的全球天气AI模型 来源：https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-weathernext-3/ 我们的旗舰AI天气预报模型现已整合实时卫星数据、每小时更新、更高分辨率、精准降水预测以及清洁能源变量。该模型现已全面应用于搜索、Gemini、地图、Google Maps Platform和Cloud平台。 --- --- 蓝色与黄色饱和云层图像上叠加“WeatherNext3”文字 您的浏览器不支持音频元素。 收听文章 \[\[时长\]\] 分钟 本内容由Google AI生成。生成式AI尚处于实验阶段。 每天，天气影响着数十亿决策。有些决策简单如出门前抓把伞，另一些则后果重大得多。风、雨、以及热浪、干旱等极端天气事件，会对农业、全球供应链、清洁能源生产乃至国民经济产生连锁反应。 近年来，AI彻底改变了天气预报领域，利用历史记录实现了比传统方法更快、更准确的预测。然而，对高度局部化且瞬息万变的天气进行预测，始终是个难题。以往的模型往往空间分辨率不足，也难以融合来自卫星等数据源的实时气象数据。 今天，Google DeepMind和Google Research推出了 WeatherNext 3（https://storage.googleapis.com/deepmind-media/papers/weathernext_3.pdf），根据Brightband的独立实时评估（https://owb.brightband.com/），这是迄今为止最先进、最精准的全球天气模型。我们的模型直接从实时观测数据中学习，使其能够为影响人们最深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每小时生成高分辨率预报，我们的模型使全球范围内的Google产品都能获得可靠的天气预测。 ## 以空前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，以及其在时间和空间上的解析精度。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，都保持了物理一致性。 借助WeatherNext 3，我们可以以5公里分辨率可视化关键地表变量（如温度和湿度），其他地表变量为10公里，大气变量（如风速）为25公里。总体而言，这提供了比我们上一代模型WeatherNext 2（曾以25公里网格、6小时间隔生成预报）清晰约五倍的全球天气图景。 图1：端到端的WeatherNext 3系统架构。该模型摄取实时1小时地球静止卫星拼接数据，以及传统历史分析数据，输入到一个单一、灵活的函数生成网络（FGN）网格Transformer中。它输出密集的网格场、离散的气旋路径，并原生预测站点级别的稀疏坐标。 WeatherNext 3系统架构示意图 图2：英国2米温度预报对比。WeatherNext 2（左）采用25公里（0\.25°）分辨率，而WeatherNext 3（右）采用原生5公里（0\.05°）分辨率。WeatherNext 3解析了复杂的局部地形，避免了旧模型中出现的像素化、过度平滑的温度表征。 ## 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数据来源。大多数AI天气模型（包括WeatherNext 2）都使用来自数值天气预报（NWP）模型的数据进行训练。尽管有用，但NWP模型是复杂的、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预测产生偏差。 通过摄取全球实时地球静止卫星数据的拼接图像，我们的新模型获得了丰富、持续更新的大气视图。这使得模型能够每小时生成新的预报，每一次都基于最新的可用卫星观测数据，分辨率最高可达5公里。 这一点至关重要，因为关键天气现象发展迅速。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提供更早、更详细的洞察，有助于推动有效应对。 某些变量（如温度和湿度）在短短几公里内就可能发生剧烈波动，这对于沿海、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，因为它们在缺乏细节且忽略了极端局部变化的大气表征上进行训练。 为解决这一问题，WeatherNext 3直接在稀疏的气象站观测数据上进行训练。这使得我们能够以5公里网格进行全球预报，同时考虑地形等区域性细节。 这一突破对于拉丁美洲、非洲和亚太地区尤为重要。这些地区历史上因传统区域模型的巨大超级计算成本，在高分辨率预报方面服务不足。它为这些地区的数十亿人和当地企业带来了本地化的、高保真的天气预报。 除了提高分辨率和预报频率，我们的模型还引入了专为可再生能源生产设计的预测。模型预测100米风速（大致在风机叶片高度），用于精确计算风能产出，同时还预测高分辨率云量和太阳辐射水平，帮助太阳能农场估算地面接收的光照量。 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，并与消费者需求相匹配。 ## 降水预报精度的突破 全球天气模型在准确预测降水方面一直表现不佳。降雨和雪系统由微小尺度上快速移动的云过程驱动，难以通过传统的基于物理的模拟准确建模。因此，AI预报常常产生模糊的估计，或者完全错过强风暴的边界。 为了解决这个问题，我们使用了两个异常高质量的降水数据源来训练模型：NASA的基于卫星的GPM综合多卫星降水反演数据（IMERG），以及我们自己基于卫星雷达的全球降水再分析数据。 结果是降水预报精度显著提升。在中期全球预报中，与基准线相比的评估显示，针对IMERG的连续分级概率评分（CRPS）改进高达60%，针对MRMS改进30%，针对雨量计测量在早期时段改进10%。 图3：中期降水概率（PoP > 1mm）预报对比。WeatherNext 2（左）采用25公里分辨率，显示出高度扩散和像素化的降水痕迹。WeatherNext 3（中间）采用11公里分辨率，与实际的卫星地面真值（右）非常接近，准确捕捉了天气系统的尖锐对流带。 WN2和WN3预测对比 ## 应用于生态系统的研究 我们的首要目标是推动天气智能的发展，使其具有普适性——无论是紧急救援人员追踪突发风向变化、空中交通管制员规划航线，还是农民管理作物。 为了将这些突破从实验室带入现实世界，我们将WeatherNext 3整合到Google核心生态系统及其他领域： - **高分辨率预报数据：**我们提供全球天气预测，每小时更新，无需模型设置即可集成到您的工作流程中。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（https://developers.google.com/weathernext），或从Google Cloud Storage进行批量下载。 - **全球可用：**WeatherNext 3将从今天开始为Google搜索、Gemini应用、Google地图、Google Maps Platform天气API和Google Earth Engine的天气体验提供支持。此次更新显著提升了长期预报能力。当规划一天或更长时间的活动时，人们将看到精度提高多达50%的降水预报——在预报历来不太可靠的地区改进最为明显。因此，无论您是为周末旅行打包行李，还是决定户外活动的最佳日期，现在都能获得更准确的预测来帮助您规划。 大气总会在一定程度上保持不可预测性。然而，通过在现实世界观测数据上训练并绕过传统建模限制，WeatherNext 3让我们更接近一个预报与地面真实情况真正匹配的未来。 如需了解Google的地理空间平台和AI工作，请查看 Google Earth Engine (https://earthengine.google.com/)、AlphaEarth Foundations (https://deepmind.google/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/) 和 Earth AI (https://ai.google/earth-ai/)。 **免责声明：如需官方天气预报、恶劣天气警报和公共安全建议，请参考您当地的气象机构或国家气象服务。** ## 了解更多关于WeatherNext 3的信息 - 阅读我们的论文 (https://storage.googleapis.com/deepmind-media/papers/weathernext_3.pdf) - 使用WeatherNext 3进行构建 (https://developers.google.com/weathernext) - 探索Weather Lab (https://deepmind.google.com/science/weatherlab) 实时查看WeatherNext 3的可视化 - 查看WeatherNext 3在Brightband独立实时排行榜 (http://owb.brightband.com/) 上的排名。 ## 在您的收件箱中获取来自Google的最新消息 注册我们的通讯，获取产品更新、活动信息、特别优惠等更多内容。 您的信息将根据 Google的隐私政策 (https://policies.google.com/privacy) 使用。您可以随时选择退出。