AI 天氣模型用了三年時間追趕物理預報，但兩個問題始終沒解決：分辨率太粗、無法刻畫局部地形；初始化依賴滯後約 6 小時的數值天氣預報（NWP）分析結果。Google DeepMind 與 Google Research 聯合發佈的 WeatherNext 3 正是針對這兩點而來。

image.png

直接拿氣象站實測數據訓練，不再只看再分析網格

WeatherNext 3 把實時全球靜止衛星拼圖作爲模型的直接輸入，每小時重新初始化一次，輸出分辨率最高達 0.05°（約 5 公里），並且用原始氣象站觀測數據而非僅靠再分析網格來訓練。據 Google AI 介紹，Brightband 的獨立實時評測將其評爲迄今最準確的全球天氣模型。

架構上，WeatherNext 3 是函數生成網絡（FGN）網格 Transformer，與 WeatherNext 2 同屬概率模型家族，但擴展到多分辨率輸出。輸入包括實時靜止衛星拼圖與 ECMWF HRES 分析，訓練數據涵蓋 ERA5/HRES-fc0、NASA 的 IMERG、站點觀測和衛星拼圖。

多數 AI 預報模型從 NWP 再分析數據學習，而這會抹平海岸線、山谷和山地造成的局部差異。WeatherNext 3 則用專門的觀測頭直接在原始站點測量數據上訓練，使其 0.05° 的氣溫和露點輸出校準到儀器的真實讀數。

小時級刷新，降水與新能源變量大幅提升

單次前向推理可產出三檔結果：0.05°（約 5 公里）的站點訓練型 2 米氣溫與露點，0.1°（約 10 公里）的 10 米和 100 米地面風、氣壓、海表溫度、雲層、太陽輻射與 1 小時降水，以及 0.25°（約 25 公里）、覆蓋 13 個氣壓層的大氣場。相比之下，WeatherNext 2 以 6 小時步長輸出 0.25° 場，這也是“清晰度提升約 5 倍”說法的由來。

刷新頻率是另一大變化：模型每天初始化 24 次，其中 00、06、12、18 UTC 四個天氣學週期可預報至 15 天（360 小時）、含 64 個集合成員，其餘小時運行覆蓋 48 小時。對快速發展的對流天氣而言，基於當前衛星觀測的小時級刷新與滯後分析的 6 小時循環有着實質差別。

降水一直是全球模型的短板，輸出結果往往模糊、抓不住風暴邊界。WeatherNext 3 用 ECMWF 再分析、NASA IMERG 衛星反演和 Google 自有的衛星雷達降水再分析三類數據源訓練。Google 稱，在短預報時效上，其 CRPS 相比基線最多提升 60%（對標 IMERG）、30%（對標 MRMS）和 10%（對標雨量計）；研究還稱在對標 IMERG 評估時，Brier 分數與 CRPS 相比 NWP 基線最高降低 50%。

面向可再生能源，模型輸出約等於風機輪轂高度的 100 米風速、完整的低 / 中 / 高雲分佈，以及 SSRD 和 FDIR 兩項太陽輻照分量——這正是電網運營商預測風光出力所需的組合。

目前預測數據可通過 BigQuery、Earth Engine 和 Cloud Storage 申請獲取，但 WeatherNext 3 的權重並未開源，按需自定義推理仍運行 WeatherNext 2。