编辑丨%
每天早晨，人们出门之前通常只关心一个问题：今天到底会不会下雨。
但对于农业、电力调度、航空和防灾来说，天气预报远不只是「晴还是雨」。一场雷雨提前几十分钟出现，一片云层移动几公里，或者风速突然发生变化，都可能改变接下来数小时的决策。
不过大气本身就是一个变化极快、尺度极大的复杂系统。传统天气预报依靠数值天气预报（NWP），通过超级计算机求解描述大气运动的物理方程，再不断更新未来天气状态。这套方法已经相当成熟，却也意味着巨大的计算成本。
过去几年，谷歌 DeepMind 开始尝试用 AI 走另一条路。
从 GraphCast 到 GenCast，再到 WeatherNext，Google 一直在探索一个问题：如果让 AI 直接从大量天气数据中学习大气如何变化，天气预报能不能变得更快、更细，而且覆盖整个地球？
现在，答案又向前推进了一步。2026 年 9 月 3 日，谷歌 DeepMind 和谷歌 Research 发布了 WeatherNext 3，并称其为目前最先进的全球 AI 天气模型。它最明显的变化并不是简单地「换了一个更大的模型」，模型能够直接吸收实时卫星观测，每小时重新生成全球预报，并将部分地表变量的空间分辨率提高到约 5 公里。
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-weathernext-3/
以前所未有的分辨率快速预报
传统 NWP 系统的优势在于物理机制清晰，但它需要巨大的计算资源。与此同时，全球天气数据也并不是随时、随地、以相同精度存在的。而这给了谷歌一个切入口。
2023年，谷歌 DeepMind 发布 GraphCast 时，AI 天气预报第一次大规模展示出令人印象深刻的速度优势。GraphCast 能够在约 1 分钟内生成未来 10 天的全球天气预测，而传统高水平数值预报系统则需要超级计算机运行数小时。它在当时的测试中，在超过 90% 的评估指标上优于 ECMWF 的高分辨率预报系统 HRES。
而这次推出的 WeatherNext 3 能以多种空间分辨率生成每小时预报，保持从全球宽广风向模式到局部地形的物理一致性。
具体来说，它能以 5 公里的分辨率可视化关键地表变量——如温度和湿度，10 公里处显示其他地表变量，以及 25 公里范围内的风速等大气变量，相较于 WeatherNext 2 要清晰约五倍。
图 1：端到端 WeatherNNext 3 系统架构。
难以预测的降水
在所有天气变量中，降水一直是 AI 和传统模型都很难处理的一项。究其根本还是因为雨和雪往往来自快速变化的云团和局部对流过程，它们发生的尺度非常小，却能够迅速影响很大的区域。
WeatherNext 3 专门针对这一问题加入了更高质量的降水数据，包括 NASA 的 IMERG 卫星降水产品，以及谷歌基于卫星雷达建立的全球降水再分析数据。
结果显示，在中期全球降水预测中，WeatherNext 3 相对于不同基准数据集的 CRPS 指标最高可改善约 60%、30% 和 10%；而在谷歌面向实际产品的评估中，对于至少提前一天的预报，降水预测准确度最高可提升 50%。
图 2：中期降水概率（PoP > 1mm）预报比较。
谷歌还展示了 WeatherNext 2 与 WeatherNext 3 对英国地区降水的预测对比：旧模型给出的降水区域更加模糊，而新模型能够更清楚地勾勒出具有强对流特征的降水带。
生态系统中的应用
WeatherNext 3 的另一项变化，是它开始针对具体应用输出天气变量。
对于风力发电，WeatherNext 3还针对能源行业提供了专门的预测变量，包括约 100 米高度处的风速——这个高度大致对应风力涡轮机的工作高度。结合云量、太阳辐射等信息，模型可以帮助风电和光伏运营商更准确地估算未来的可再生能源产出。
这些数据对于全球清洁能源的规划至关重要。电网运营商可以据此估算未来几个小时的风电和光伏发电量；农户可以结合局地降雨和温度安排农业活动；航空系统可以根据风场和天气变化调整运行计划；应急部门则可以更早发现快速发展的强降水或风暴。
谷歌此前已经通过 Weather Lab 把 AI 天气模型开放给研究人员和气象机构使用。2026 年 8 月发布的 WeatherNext 气旋模型还曾展示出对热带气旋路径、强度和风场的预测能力，并与美国国家飓风中心等机构合作。
大气层总会保持一定程度的不可预测性，但借助真实观测进行的训练与绕过传统建模限制，WeatherNext 3 正让我们更接近一个预报真正与地面情况匹配的未来。
热门跟贴