北京
全球天气AI模型又往前迈了一步。Google DeepMind 与 Google Research 合作推出了 WeatherNext 3，一个直接基于实时卫星与地面站数据训练的全球天气模型。它最亮眼的数字是：降水预报精度相比此前方法最高提升60%。
这个模型和之前的版本有个根本区别。过去的模型（包括 WeatherNext 2）都是基于带六小时数据滞后的数值天气预报输出进行训练，相当于看的是"昨天的天气报告"来预测明天。而 WeatherNext 3 直接吸收实时全球静止卫星图像拼图和稀疏地面气象站观测，每次都能基于最新观测数据生成新预报。
分辨率提升五倍，每小时更新一次
分辨率是这次升级的核心看点。WeatherNext 3 能以5公里分辨率生成关键地表变量（温度、湿度）的每小时预报，其他地表变量为10公里，风场为25公里——清晰度约为 WeatherNext 2 在五公里间隔下运行的五倍。这意味着它能看到更细的天气变化纹理，而不是一个大致的轮廓。
更关键的是更新频率。因为吃的是实时卫星数据，模型可以每小时生成一次新预报，每次都基于最新可用的卫星观测。对于降雨、地表温度这类快速变化的变量，这种"新鲜度"直接决定了预报的准确性。
降水预报的模糊性问题被针对性解决
AI降水预报长期存在一个痛点：预测结果偏"模糊"，边界不清晰。WeatherNext 3 的训练数据来自 NASA 的 IMERG 卫星数据和 Google 自有的全球降水再分析数据。在中期全球预报评估中，它的连续排序概率评分（CRPS）相比 IMERG 提升最高达60%，相比 MRMS 提升30%，相比雨量计测量提升10%。
这个提升不是均匀分布的。一到多天的降水预报准确率提升高达50%，在拉丁美洲、非洲及亚太地区等长期服务不足的区域提升尤为显著。原因很直接：这些地区因传统区域模型高昂的超级计算机成本，长期以来一直缺乏高分辨率预报服务。
内置清洁能源预报能力
WeatherNext 3 还专门考虑了可再生能源的需求。它能预测100米高度风速（风机叶轮高度）、高分辨率云量和太阳辐射水平——这些是风电场与光伏电站匹配发电与消费需求的关键输入。对正在大规模部署风电和光伏的地区来说，这类预报直接关系到电网调度效率。
模型正在被整合进 Google 搜索、Gemini 应用、Google 地图和 Google Earth Engine。这意味着普通用户很快就能在常用工具里看到更高精度的天气信息，而不仅仅是气象专业人员的内部工具。
WeatherNext 3 的路径选择值得注意：不依赖传统数值天气预报输出，直接吃实时观测数据。这个技术路线的转变，让模型在更新频率和分辨率上都有了质的提升。对于长期缺乏高分辨率预报服务的地区，这可能是第一次获得接近发达国家的预报精度。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
