解读 Google DeepMind 的气象预测 AI“WeatherNext 3”官方信息与运行机制

本文是一篇利用 AI 创建的技术解析与实现示例。所引用的代码和步骤均基于第一手资料构建，但作者并未在实际设备上进行运行验证。根据环境和版本的不同，实际运行结果可能会有所差异。

由 Google DeepMind 和 Google Research 发布的“WeatherNext 3”是一款最先进的全球气象 AI 模型，它不依赖于传统的大规模物理模拟，而是利用实时观测数据来进行高精度、高分辨率的预测。本文将根据公开的一手资料，系统性地梳理该模型的架构、数据处理特征及其在生态系统中的应用拓展。

WeatherNext 3 的概述与背景

气象信息影响着无数的决策，从日常出门带伞到农业、供应链、清洁能源生产乃至国家经济。近年来，AI 通过利用历史气象记录，实现了比传统方法更快的预测，但在预测局部且瞬息万变的天气时仍面临挑战。

传统模型存在空间分辨率不足、难以纳入卫星等实时数据的问题。WeatherNext 3 针对这些挑战，采用了直接从实时观测数据中学习的方法，从而能够提供更加及时、更贴近地方实际的预测。独立实况评估也证明了其具备极高的精度。

架构与系统配置

一手资料中介绍了 WeatherNext 3 的系统架构与数据流。以下的 Mermaid 图展示了一手资料中所记载的组件与信息流向。

flowchart TD
    A[Live 1-hour Geostationary Satellite Mosaics] --> C[Functional Generative Network FGN Mesh Transformer]
    B[Traditional Historical Analysis] --> C
    C --> D[Dense Gridded Fields]
    C --> E[Discrete Cyclone Tracks]
    C --> F[Station-level Sparse Coordinates]

在该配置中，将每小时的实时静止卫星拼接图（Mosaic）与传统的历史分析数据相结合，输入到单一且灵活的 Functional Generative Network (FGN) 网格 Transformer 中。这使得模型能够原生预测高密度网格场、离散的旋风（台风/低压）路径以及站点级稀疏坐标。

分辨率与更新频率的提升

预测的实用性在很大程度上取决于时间和空间上的精细程度（分辨率）。WeatherNext 3 在多个空间分辨率下生成每小时的预测，从广域大气的粗略风向模式到局部地形，始终保持高度的一致性。

• 表面变量（气温、湿度等）：以 5 公里分辨率进行可视化。

• 其他表面变量：10 公里分辨率。

• 大气变量（风速等）：25 公里分辨率。

前代产品 WeatherNext 2 采用 25 公里网格并每 6 小时进行一次预测，与其相比，WeatherNext 3 整体上提供了清晰度约提升 5 倍的全球气象图像。

实时卫星数据与稀疏观测的利用

许多 AI 气象模型都是使用来自数值天气预报（NWP）模型的数据进行训练的。NWP 模型是超级计算机驱动的复杂物理模拟，但会产生约 6 小时的数据滞后，这成为导致降雨或表面温度等快速变化变量出现偏差的原因。

WeatherNext 3 通过以下机制应对这一挑战：

1. 导入实时卫星拼接图：获取持续更新的大气视图，实现基于最新卫星观测的每小时预测生成。

2. 利用稀疏气象观测数据：由于海岸线、山谷和山脉等周边地区的气温和湿度在几公里范围内会发生剧烈变化，WeatherNext 3 直接使用气象观测站的稀疏数据进行训练。这使得生成兼顾地形细节的 5 公里网格全球预测成为可能，并为过去无法维持高分辨率模型的中南美洲、非洲、亚太地区等带来了益处。

清洁能源专属变量与降水预测精度的提升

应对清洁能源生产

除了提高分辨率和更新频率外，模型还引入了专门针对清洁能源生产的预测功能。除了预测相当于风力涡轮机高度的 100 米风速以准确估算风力发电输出外，它还预测高分辨率的云量和太阳辐射量，协助估算太阳能发电厂在地面上接收到的光照量。

提升降水预测精度

由于雨雪系统是由小规模且快速移动的云层过程引起的，因此在传统的物理模拟中，这一领域极易产生模糊的估算或遗漏剧烈风暴的边界。 WeatherNext 3 使用了两个高质量的数据源进行学习，包括 NASA 的 IMERG（Integrated Multi-satellite Retrievals for GPM）以及基于卫星雷达的全球降水再分析数据。这在连续排位概率分数（CRPS）等评估中，显示出初始超前时间（Lead Time）降雨量测量的显著改善。

与 Google 生态系统的集成及使用方法

WeatherNext 3 不仅停留在实验室成果阶段，更已集成到 Google 的核心生态系统及相关服务中。

• 高分辨率预测数据：提供可无需模型配置即可集成到工作流中的全球气象预测。研究人员、开发人员和企业可以在 BigQuery 和 Earth Engine 中查询数据，并通过 Google Cloud Storage 进行批量下载。

• 全球部署：增强了 Google 搜索、Gemini 应用、Google Maps、Google Maps Platform Weather API 以及 Google Earth Engine 中的天气体验。长期预测的精度最高提升了 50%，为过去预测可靠性较低的地区带来了巨大的改善。

使用注意事项

正如一手资料中所述，关于官方气象预报、气象警报以及公共安全相关建议，建议参考当地气象机构或国家气象服务部门的信息。

参考信息

• source_title: Introducing WeatherNext 3, our most advanced and accurate global weather AI model

• source_url: https://deepmind.google/blog/introducing-weathernext-3-our-most-advanced-and-accurate-global-weather-ai-model/