Google DeepMind 发布 WeatherNext 3：5 公里分辨率全球预报，每小时刷新一次

AI 天气模型用了三年时间追赶物理预报，但两个问题始终没解决：分辨率太粗、无法刻画局部地形；初始化依赖滞后约 6 小时的数值天气预报（NWP）分析结果。Google DeepMind 与 Google Research 联合发布的 WeatherNext 3 正是针对这两点而来。

直接拿气象站实测数据训练，不再只看再分析网格

WeatherNext 3 把实时全球静止卫星拼图作为模型的直接输入，每小时重新初始化一次，输出分辨率最高达 0.05°（约 5 公里），并且用原始气象站观测数据而非仅靠再分析网格来训练。据 Google AI 介绍，Brightband 的独立实时评测将其评为迄今最准确的全球天气模型。

架构上，WeatherNext 3 是函数生成网络（FGN）网格 Transformer，与 WeatherNext 2 同属概率模型家族，但扩展到多分辨率输出。输入包括实时静止卫星拼图与 ECMWF HRES 分析，训练数据涵盖 ERA5/HRES-fc0、NASA 的 IMERG、站点观测和卫星拼图。

多数 AI 预报模型从 NWP 再分析数据学习，而这会抹平海岸线、山谷和山地造成的局部差异。WeatherNext 3 则用专门的观测头直接在原始站点测量数据上训练，使其 0.05° 的气温和露点输出校准到仪器的真实读数。

小时级刷新，降水与新能源变量大幅提升

单次前向推理可产出三档结果：0.05°（约 5 公里）的站点训练型 2 米气温与露点，0.1°（约 10 公里）的 10 米和 100 米地面风、气压、海表温度、云层、太阳辐射与 1 小时降水，以及 0.25°（约 25 公里）、覆盖 13 个气压层的大气场。相比之下，WeatherNext 2 以 6 小时步长输出 0.25° 场，这也是“清晰度提升约 5 倍”说法的由来。

刷新频率是另一大变化：模型每天初始化 24 次，其中 00、06、12、18 UTC 四个天气学周期可预报至 15 天（360 小时）、含 64 个集合成员，其余小时运行覆盖 48 小时。对快速发展的对流天气而言，基于当前卫星观测的小时级刷新与滞后分析的 6 小时循环有着实质差别。

降水一直是全球模型的短板，输出结果往往模糊、抓不住风暴边界。WeatherNext 3 用 ECMWF 再分析、NASA IMERG 卫星反演和 Google 自有的卫星雷达降水再分析三类数据源训练。Google 称，在短预报时效上，其 CRPS 相比基线最多提升 60%（对标 IMERG）、30%（对标 MRMS）和 10%（对标雨量计）；研究还称在对标 IMERG 评估时，Brier 分数与 CRPS 相比 NWP 基线最高降低 50%。

面向可再生能源，模型输出约等于风机轮毂高度的 100 米风速、完整的低 / 中 / 高云分布，以及 SSRD 和 FDIR 两项太阳辐照分量——这正是电网运营商预测风光出力所需的组合。

目前预测数据可通过 BigQuery、Earth Engine 和 Cloud Storage 申请获取，但 WeatherNext 3 的权重并未开源，按需自定义推理仍运行 WeatherNext 2。