谷歌DeepMind发布WeatherNext 3：用气象站观测实现5公里全球预报，每小时更新
WeatherNext 3直接输入实时地球静止卫星拼图，每小时重新初始化，输出0.05°（约5公里）分辨率预测，并首次在训练中直接使用原始气象站观测数据。常规模型方案末端的两个痛点——分辨率过粗和NWP分析延迟约6小时——都因此得到改善。谷歌AI称，Brightband独立实测将其列为当前最准确的全球天气模型；不过模型权重未开源，数据现需申请白名单访问。
过去三年里，AI天气模型与物理预报之间的差距不断缩小，但仍有两块短板：分辨率不足以刻画复杂地形，以及初始场依赖数值天气预报（NWP）分析，后者通常要滞后约六小时。谷歌DeepMind联合谷歌研究中心推出的WeatherNext 3同时针对这两个问题——它把实时全球静止卫星拼图直接作为模型输入，每小时重新初始化一次，并输出0.05°（约5公里）分辨率的预测；训练过程中还会直接使用原始气象站测量值，而非只依赖再分析网格。谷歌AI表示，Brightband的独立实时评估将其评为迄今最准确的全球天气模型。
在架构上，WeatherNext 3属于功能生成网络（FGN）网格Transformer，是WeatherNext 2引入的概率生成家族扩展到多分辨率输出的产物。模型输入是实时静止卫星拼图加ECMWF HRES分析；训练数据则覆盖ERA5/HRES-fc0、NASA IMERG、气象站观测以及卫星拼图。多数AI预报模型从NWP再分析学习，而再分析过程会抹平海岸线、山谷和山脉给局地天气带来的变化。WeatherNext 3专门设置了观测头，直接学习原始气象站测量数据，因此它输出的0.05°温度和露点结果按真实仪器读数标定，而不是按模型内部对大气的一种表征。
一次前向传播可以生成三个层级：0.05°（约5 km）的站训练2米温度和露点；0.1°（约10 km）的10米与100米地面风、气压、海表温度、云层、太阳辐射和逐小时降水；以及0.25°（约25 km）覆盖13个气压层的大气场。WeatherNext 2只能每6小时输出0.25°场，这正是“约5倍更精细”说法的来源。更新频率则是第二个关键变化。模型每天初始化24次；00、06、12、18 UTC的同步循环最长预报到15天（360小时），并带有64个集合成员；其余逐小时运行覆盖48小时。对快速发展的对流天气来说，基于最新卫星观测每小时刷新一次，和锚定滞后分析的6小时循环有本质区别。
降水历来是全球模型的难点，传统模型容易输出模糊场而漏掉风暴边界。WeatherNext 3使用三类降水资料训练：ECMWF再分析、NASA IMERG卫星反演，以及谷歌自有的卫星-雷达降水再分析。谷歌报告，在早期预报时效，CRPS相比IMERG最多改进了60%，相比MRMS改进30%，相比雨量计改进10%；研究还称，以IMERG为基准评估，其Brier分数和CRPS相对NWP基线最多减少50%。面向可再生能源场景，模型输出100米风（接近风机轮毂高度）、完整的高低云分布，以及太阳辐射的SSRD和FDIR两个分量。这些正是电网运营商预测风电、光伏出力与需求所需的产品组合，也表明此次发布瞄准了运营级买家，而不只是想刷新数值榜单。
在可用性方面，用户可以申请白名单，通过BigQuery、Earth Engine和Cloud Storage获取预报数据，但WeatherNext 3的权重并未开放，按需自定义推理依然使用WeatherNext 2。总体来看，把实时卫星观测直接纳入初始循环、并用真实气象站读数校准局地变量，意味着AI天气建模向业务化部署又迈出了一步。