Google DeepMind 与 Google Research 于 2026 年 9 月 3 日发布 WeatherNext 3。它是一套面向全球中期天气预报的 AI 系统，重点改进了三个长期难点：用低延迟观测缩短初始化滞后、提高空间与时间分辨率，以及直接预测降水和地面气象站等观测量。
英文原文与中文翻译
WeatherNext 3 is a major breakthrough in how we forecast global weather. 🌥️
Developed with @GoogleResearch, the model learns directly from real-world, real-time observations to give more localized highly accurate predictions faster. 🧵
WeatherNext 3 是全球天气预报方式的一项重大突破。该模型由 Google DeepMind 与 Google Research 共同开发，直接从现实世界的实时观测中学习，以更快地产生更本地化、更准确的预测。
While traditional compute constraints limit standard weather updates to six-hour intervals, WeatherNext 3 ingests real-time satellite data directly to launch a brand-new forecast every single hour.
传统计算约束使标准天气更新通常以六小时为间隔，而 WeatherNext 3 直接摄取实时卫星数据，每小时都启动一次全新的预报。
By training directly on raw weather station observations, the system captures localized microclimates across typically underserved areas.
It also delivers a 5 times resolution boost in temperature forecasts - from 25km down to 5km - in a single pass. 🏔️
通过直接使用气象站原始观测进行训练，该系统能捕捉过去通常缺乏高分辨率预报地区的局地微气候。它还将温度预报的空间分辨率一次性提高五倍，从 25 公里提升到 5 公里。
Predicting rain accurately is notoriously difficult for global weather models, with previous methods producing blurry estimates or missing severe storm boundaries.
WeatherNext 3 achieves a major leap in global precipitation forecasting, delivering up to a 50% reduction in error.
对全球天气模型而言，准确预测降雨一向很困难；此前方法可能产生模糊估计，或漏掉强风暴的边界。WeatherNext 3 在全球降水预报上取得明显提升，误差最高可减少 50%。
WeatherNext 3 will now power forecasts in @Google Search, @GeminiApp, @GoogleMaps, and @GMapsPlatform.
Developers and researchers can also access real-time data via BigQuery, Earth Engine, and GCS. Find out more → WeatherNext 3: Our most advanced global weather AI model
WeatherNext 3 将为 Google 搜索、Gemini、Google 地图和 Google Maps Platform 中的天气预报提供支持。开发者和研究人员也可以通过 BigQuery、Earth Engine 和 Google Cloud Storage 获取实时数据。
系统如何工作
论文给出的系统并不是只靠卫星图像运行。WeatherNext 3 同时接收两类输入：相隔六小时的两帧传统大气分析，以及最近 12 帧、每小时更新的全球静止卫星拼图。最新卫星帧的运行延迟略低于一小时，而传统分析数据的运行延迟约为五小时。
这些不同模态、不同分辨率的数据进入同一个 Functional Generative Network（FGN）网格 Transformer。系统可输出规则网格气象场、离散的热带气旋轨迹，并通过专门的观测站输出头，在任意位置和时间预测近地面温度与露点。
主要输出分辨率包括：
- 温度和湿度等关键地表变量最高为 0.05°，约 5 公里；
- 其他单层地表变量为 0.1°，约 10 公里；
- 部分大气变量为 0.25°，约 25 公里；
- 单层变量按小时输出，部分大气变量和气旋轨迹仍按六小时输出。
与此前主要学习数值天气预报分析场的 AI 模型不同，WeatherNext 3 还直接学习气象站观测、NASA IMERG 卫星降水估计和 Google 的卫星雷达降水再分析。这让模型能针对原始观测目标优化，而不只是复现传统分析系统中的偏差。
结果与评测口径
Google 官方说明称，WeatherNext 3 相比 WeatherNext 2 将全球天气图的整体清晰度提高约五倍，并开始在 Google 产品中提供每小时更新的预报。论文使用 WeatherNext 2、ECMWF ENS 和 ECMWF AIFS ENS v2 等作为基线，并分别针对分析场、气象站、降水和热带气旋进行评测。
原线程所说的“误差最高减少 50%”不是所有地点、变量和预报时效的统一结果。官方技术说明还给出了更具体的降水概率评测：在中期全球预报中，连续秩概率评分（CRPS）相对基线的改善最高为 IMERG 60%、美国 MRMS 30%，早期时效下相对雨量计观测最高为 10%。不同参考真值和时效下的提升幅度并不相同。
论文与方法细节见：WeatherNext 3: Increasing resolution and performance of global weather models with raw observations。Google 还引用 Brightband 的实时排行榜作为独立评估，但“最先进、最准确”仍应理解为特定排行榜和评测配置下的结果，不应外推为每个地区、每类天气事件都最优。
使用方式与边界
WeatherNext 3 数据可通过 BigQuery、Earth Engine 查询，也可从 Google Cloud Storage 批量获取，不需要自行部署模型。公开线程没有提供本地运行所需的模型权重、训练代码或硬件配置，也没有给出单次推理成本，因此它更适合作为可调用的预报数据源，而不是一份可在本地完整复现的开源模型发布。
它可用于农业、物流、航空、风电和光伏出力估计等依赖高频天气信息的系统。工程接入时仍应按地区、变量、预报时效分别做回测，并保留传统预报或其他供应商数据作为对照。Google 明确提醒：正式天气预报、极端天气警报和公共安全建议应以当地气象机构或国家气象服务为准。
原作者：Google DeepMind（@GoogleDeepMind）
原帖：Google DeepMind on X: "WeatherNext 3 is a major breakthrough in how we forecast global weather. ⛅ Developed with @GoogleResearch, the model learns directly from real-world, real-time observations to give more localized highly accurate predictions faster. 🧵" / X