谷歌DeepMind发布WeatherNext 3：每小时更新、5公里分辨率全球天气预报模型

突破两大长期瓶颈：分辨率与初始化延迟

AI天气模型过去三年持续逼近物理模型精度，但始终面临两个硬伤：空间分辨率不足，难以刻画山地、海岸等局地地形效应；初始场依赖滞后约6小时的数值天气预报（NWP）分析产品。WeatherNext 3直击这两点——它将实时全球地球静止卫星拼图作为原始输入，每小时完成一次全新初始化，并输出分辨率达0.05°（约5公里）的预报，训练目标则直接采用全球数千个气象站的原始观测数据，而非仅依赖平滑化处理的再分析网格（如ERA5）。

架构与数据：功能生成网络+多源真值监督

WeatherNext 3采用Functional Generative Network（FGN）网格Transformer架构，延续自WeatherNext 2的同一概率建模家族，但扩展为多分辨率输出能力。输入包括实时地球静止卫星拼图与ECMWF高分辨率分析场（HRES）。训练数据融合四类来源：ERA5/HRES初值场、NASA IMERG卫星降水反演、全球地面气象站实测记录，以及卫星拼图本身。区别于多数AI预报模型仅用再分析数据训练（会抹平真实地形引发的局地变异），WeatherNext 3专设‘观测头’（observational heads），直接以温度、露点等仪器实测值为监督信号，确保其0.05°输出严格校准于物理测量，而非大气模型的间接表征。

多层级输出与高频刷新机制

单次前向推理即生成三级分辨率预报：

• 0.05°（~5 km）：由气象站实测直接监督的2米气温与露点；
• 0.1°（~10 km）：地表风（10米/100米）、气压、海表温度、云层结构、太阳辐射及1小时降水；
• 0.25°（~25 km）：13个气压层的大气场。

相比WeatherNext 2仅提供0.25°分辨率且每6小时更新一次，本次空间精度提升约5倍，时间频次跃升至每日24次初始化。其中00/06/12/18 UTC四个主时次运行15天（360小时）预报，含64成员集合；其余20个时次提供48小时快速更新。对强对流等短临天气，基于实时卫星的小时级刷新，显著优于依赖滞后分析的传统周期。

降水与清洁能源关键变量专项优化

降水预报是全球模型公认的薄弱环节。WeatherNext 3联合训练三类降水真值：ECMWF再分析、NASA IMERG卫星反演、以及Google自研的卫星-雷达融合降水再分析。谷歌称，在早期预报时效内，其连续排序概率评分（CRPS）较IMERG基准提升最高达60%，较美国MRMS雷达网提升30%，较雨量计提升10%；另据论文，Brier评分与CRPS相较NWP基线最多降低50%。面向可再生能源运营，模型同步输出100米高度风速（近似风机轮毂高度）、全层云量分布（低/中/高云）、以及太阳辐照度双分量（SSRD与FDIR）——这些正是电网调度预测风光出力所必需的核心变量，凸显其面向实际业务部署的定位。

可用性与开放边界

目前，WeatherNext 3预报数据已通过Google BigQuery、Earth Engine及Cloud Storage向公众开放，需提交白名单申请获取访问权限；但模型权重未开源，且按需定制推理服务仍调用WeatherNext 2。谷歌强调，此次发布标志着AI天气模型从‘榜单竞赛’迈向‘ operational readiness ’（业务就绪）的关键一步。

> 编者观点：WeatherNext 3的突破不在于单一技术指标，而在于以‘实时卫星输入+小时级重初始化+站实测直训’重构AI气象建模范式。对中国气象服务企业及新能源运营商而言，其多分辨率协同输出与清洁能源变量深度适配，提示了下一代行业专用AI模型需更紧密耦合物理观测闭环与垂直场景需求。