WeatherNext 3：把卫星实况喂进全球小时级预报

2026-09-03，Google DeepMind 与 Google Research 发布 WeatherNext 3。官方把它写成「迄今最先进、也最准」的全球 AI 天气模型，并引用 Brightband 的独立实时评测。真正的跳变不在又一张静态再分析网格上多训一轮，而在：把实时静止卫星马赛克直接当模型输入，从而做到每小时起报，并把地表关键变量推到约 5 km。

一、相对 WeatherNext 2：分辨率 × 更新频率一起抬

WeatherNext 2 大致是 25 km / 6 小时 一档。WeatherNext 3 在一次前向里给出多层分辨率：

• 约 5 km（0.05°）：站点头训练的 2 m 气温 / 露点
• 约 10 km（0.1°）：地表风（含 100 m 轮机高度）、气压、云层、太阳辐射、小时降水等
• 约 25 km（0.25°）：气压层三维场（主要挂在 00/06/12/18 UTC 的 6 小时起报） 时间轴上同样变密：开发者文档写明 每小时初始化（一天 24 次），集合成员 64；6 小时主循环上可拉到 15 天 概率预报，中间小时起报窗口约 48 小时。架构侧仍是 Functional Generative Network（FGN）mesh transformer，输入为实时静止卫星马赛克 + ECMWF HRES 分析。

二、为什么「吃实况」比「只吃 NWP」更关键

多数 AI 天气模型——包括 WeatherNext 2——主要吃数值天气预报（NWP）再分析；那条链路本身带约 6 小时 的分析滞后，对雨带、锋面、局地温度突变不友好。WeatherNext 3 直接吞全球静止卫星拼图，让每一轮小时起报都钉在最新云图与观测上。 站点头则补另一块短板：传统网格训练容易抹平原来只有几公里尺度的海岸 / 山谷差异。官方叙事把这一点对准拉丁美洲、非洲与亚太等长期缺少高分辨率区域模式覆盖的地区——用全球统一推理，换出可负担的局地细节。 清洁能源变量也写进了正式输出：约 100 m 风速（轮机高度）、云层与地表太阳辐射分量，方便电网与场站估发电量，而不只是「气温好看一点」。

三、降水：官方对比图里最容易看见的差距

全球模式最难的一块往往是降水。WeatherNext 3 对 NASA IMERG、自研卫星—雷达降水再分析，以及雨量计等多源做训练与评估。博文给出的量级是：中期全球预报相对 IMERG，CRPS 改善最高约 60%；相对 MRMS 约 30%；相对雨量计早期时效约 10%。面向用户侧，Google 还写：提前一天及以上的降水体验，准确率最高可提升约 50%，改善最大的区域往往是历史上预报更弱的地方。

四、落地：不是 demo，是产品与数据面

发布当天起，WeatherNext 3 开始进入 Google Search、Gemini App、Google Maps、Maps Platform Weather API、Earth Engine。研究与工程侧可经 BigQuery / Earth Engine / Cloud Storage（Zarr） 取全球预报；另有按需推理选项，可调集合规模与预报时长。交互可视化走 DeepMind 的 Weather Lab。 边界要说清：官方声明它是实验性自动预报系统，不能替代国家气象机构的正式警报。实时预报另有使用条款；超过约 1 小时的历史数据则按 CC BY 4.0 开放。

五、简要判断

在「LLM 旗舰扎堆」的同一周，WeatherNext 3 是一条平行但同样重要的 DeepMind 主线：把 AI 天气预报从「吃再分析、六小时一更」推进到「吃卫星实况、小时级起报、多分辨率出图」，并直接铺进 Search / Gemini / Maps 与云数据面。若你关心的是农业、航运、清洁能源调度或本地体感预报，而不是又一张聊天评测表，这是本周 Google 侧信息密度最高的模型更新之一。