谷歌DeepMind發佈WeatherNext 3：用氣象站觀測實現5公里全球預報，每小時更新
WeatherNext 3直接輸入實時地球靜止衞星拼圖，每小時重新初始化，輸出0.05°（約5公里）分辨率預測，並首次在訓練中直接使用原始氣象站觀測數據。常規模型方案末端的兩個痛點——分辨率過粗和NWP分析延遲約6小時——都因此得到改善。谷歌AI稱，Brightband獨立實測將其列為當前最準確的全球天氣模型；不過模型權重未開源，數據現需申請白名單訪問。
過去三年裏，AI天氣模型與物理預報之間的差距不斷縮小，但仍有兩塊短板：分辨率不足以刻畫複雜地形，以及初始場依賴數值天氣預報（NWP）分析，後者通常要滯後約六小時。谷歌DeepMind聯合谷歌研究中心推出的WeatherNext 3同時針對這兩個問題——它把實時全球靜止衞星拼圖直接作為模型輸入，每小時重新初始化一次，並輸出0.05°（約5公里）分辨率的預測；訓練過程中還會直接使用原始氣象站測量值，而非只依賴再分析網格。谷歌AI表示，Brightband的獨立實時評估將其評為迄今最準確的全球天氣模型。
在架構上，WeatherNext 3屬於功能生成網絡（FGN）網格Transformer，是WeatherNext 2引入的概率生成家族擴展到多分辨率輸出的產物。模型輸入是實時靜止衞星拼圖加ECMWF HRES分析；訓練數據則覆蓋ERA5/HRES-fc0、NASA IMERG、氣象站觀測以及衞星拼圖。多數AI預報模型從NWP再分析學習，而再分析過程會抹平海岸線、山谷和山脈給局地天氣帶來的變化。WeatherNext 3專門設置了觀測頭，直接學習原始氣象站測量數據，因此它輸出的0.05°温度和露點結果按真實儀器讀數標定，而不是按模型內部對大氣的一種表徵。
一次前向傳播可以生成三個層級：0.05°（約5 km）的站訓練2米温度和露點；0.1°（約10 km）的10米與100米地面風、氣壓、海表温度、雲層、太陽輻射和逐小時降水；以及0.25°（約25 km）覆蓋13個氣壓層的大氣場。WeatherNext 2只能每6小時輸出0.25°場，這正是“約5倍更精細”説法的來源。更新頻率則是第二個關鍵變化。模型每天初始化24次；00、06、12、18 UTC的同步循環最長預報到15天（360小時），並帶有64個集合成員；其餘逐小時運行覆蓋48小時。對快速發展的對流天氣來説，基於最新衞星觀測每小時刷新一次，和錨定滯後分析的6小時循環有本質區別。
降水歷來是全球模型的難點，傳統模型容易輸出模糊場而漏掉風暴邊界。WeatherNext 3使用三類降水資料訓練：ECMWF再分析、NASA IMERG衞星反演，以及谷歌自有的衞星-雷達降水再分析。谷歌報告，在早期預報時效，CRPS相比IMERG最多改進了60%，相比MRMS改進30%，相比雨量計改進10%；研究還稱，以IMERG為基準評估，其Brier分數和CRPS相對NWP基線最多減少50%。面向可再生能源場景，模型輸出100米風（接近風機輪轂高度）、完整的高低雲分佈，以及太陽輻射的SSRD和FDIR兩個分量。這些正是電網運營商預測風電、光伏出力與需求所需的產品組合，也表明此次發佈瞄準了運營級買家，而不只是想刷新數值榜單。
在可用性方面，用户可以申請白名單，通過BigQuery、Earth Engine和Cloud Storage獲取預報數據，但WeatherNext 3的權重並未開放，按需自定義推理依然使用WeatherNext 2。總體來看，把實時衞星觀測直接納入初始循環、並用真實氣象站讀數校準局地變量，意味着AI天氣建模向業務化部署又邁出了一步。