Google发布WeatherNext 3全球天气模型
Google把AI天气模型从研究预报推入消费端和云端数据层。
本文要点
- WeatherNext从25公里、6小时级上一代，转为部分变量5公里和每小时刷新。
- 模型从主要研究数据集，进入搜索、地图、Gemini和云端开发者工作流。
- 降水表述从泛化预报改进，收敛为一天或更长规划场景的最高50%更准。
阅读辅助
先看数字、证据和来源，再读正文。
WeatherNext 3的新闻增量是9月3日发布和产品接入。
2025-06 · WeatherNext 2论文提出FGN路线，支撑中期概率天气预报。
Google DeepMind 和 Google Research 在9月3日发布 WeatherNext 3。它值得放进今天的深度位，理由是 Google 同时给出了模型、数据刷新、产品分发和开发者访问四个层面的变化：WeatherNext 3接入实时卫星观测，每小时生成全球预报，并开始进入 Search、Gemini、Maps、Google Maps Platform、Google Earth Engine 以及云端数据工作流。
这条新闻里最确定的事实，是分辨率和刷新频率的边界。Google写明，WeatherNext 3可以把温度、湿度等关键地表变量可视化到5公里分辨率，其他地表变量为10公里，风速等大气变量为25公里。它还把上一代 WeatherNext 2 的25公里网格和6小时增量作为比较基准，称整体全球天气图像约5倍更细。这里不能简化成“所有变量都到5公里”，因为官方原文逐项拆了变量范围。
同样需要谨慎处理的是降水数字。Google对用户侧结果的说法是，在规划一天或更长时间时，人们会看到最高50%更准确的降水预报，且最大改善发生在历史上预报可靠性较低的地区。它不是对所有天气变量的通用误差下降，也不是对所有提前期、所有地区都成立的平均提升。对农业、能源、物流和公众出行来说，这仍然是一个重要信号，因为降水恰好是全球预报里最难稳定提升、也最影响运营决策的变量之一。
对读者的直接影响分两类。普通用户会先在 Google Search、Gemini 和 Maps 里看到更细颗粒度的天气体验。开发者和企业团队则会在 BigQuery、Earth Engine 与 Google Cloud Storage 里评估它是否能进入自己的预测、调度和风险管理链路。Google官方也保留了公共安全边界：正式天气预报、严重天气警报和公共安全建议，仍应以当地气象机构或国家天气服务为准。
新增的是一套交付链路
WeatherNext 3的新闻锚点很清楚：9月3日，Google发布了该模型，并宣布“starting today”开始把它接入核心产品和平台。官方博客的结构化数据给出的发布时间是2026-09-03T15:00:00Z；Google DeepMind和Google AI在X上的同步发布，则把这件事推给研究者和开发者社区。AI HOT只提供了发现线索，关键事实需要回到Google官方博客、开发者指南、Maps Weather API文档和Brightband页面核对。
Google这次强调的第一层变化，是输入数据。WeatherNext 2等许多AI天气模型主要依赖数值天气预报模型产出的历史分析数据。Google在文中指出，传统数值天气预报虽然有用，但作为复杂的超级计算机物理模拟，存在约6小时的数据滞后；这个滞后会影响雨、地表温度等快速变化变量。WeatherNext 3的改法，是直接摄入实时地球同步卫星拼图，同时训练时使用稀疏天气站观测，让模型更贴近实时地面状态。
第二层变化是输出形态。WeatherNext 3生成的是多空间分辨率的小时级全球预报，不再只是单一网格的一张天气图。官方称它在从全球风场到本地地形的尺度上维持物理一致性，并输出密集网格字段、离散气旋轨迹和站点级稀疏坐标预测。对普通产品来说，这意味着一个地点附近的山谷、海岸线、城市热环境更可能被看见；对开发者来说，这意味着天气数据不再只是每日批量文件，而是更接近连续更新的数据服务。
第三层变化是分发路径。Google没有把 WeatherNext 3只留在研究博客里，而是直接写入产品矩阵：Search、Gemini app、Google Maps、Google Maps Platform Weather API 和 Google Earth Engine 当天开始接入。WeatherNext开发者页还把它包装为“从实时运营预报数据集到按需云端推理”的入口，说明数据查询、批量下载和定制预测会被放到 Google Cloud 的开发者工作流中。
| 维度 | WeatherNext 2背景 | WeatherNext 3新增口径 | 对使用者的意义 |
|---|---|---|---|
| 刷新节奏 | Forecast init times为6小时分辨率 | 接入实时卫星观测后每小时生成预报 | 快速变化天气可更早进入产品和API |
| 关键地表变量 | 数据集页面列出0.25度约25公里 | 温度、湿度等关键地表变量到5公里 | 山地、海岸、城区差异更容易被表达 |
| 其他地表变量 | 旧版主要按25公里网格发布 | 其他地表变量为10公里 | 业务系统可获得更细的区域输入 |
| 大气变量 | 旧版使用25公里网格 | 风速等大气变量仍为25公里 | 不能把升级写成全变量5公里 |
| 降水结果 | 全球模型常见问题是边界模糊 | 一天或更长规划最高50%更准确 | 适用范围是降水和规划场景 |
降水和能源变量是落地点
WeatherNext 3的“科学AI”价值不只在图像更精细。Google把降水和清洁能源变量放在发布正文的核心位置，这两个场景都直接连着经济决策。降水预测影响出行、农业、建筑施工、灾害响应和库存调度；风速、云量与太阳辐射则影响风电、光伏和电网调度。天气预报如果只是研究模型，价值停在论文和榜单；如果能进入这些运营场景，价值才会转成成本、风险和供需匹配。
Google在降水部分给出了两组评估口径。一组是研究评估中的 CRPS 改善：中期全球预报相对 IMERG 基线最高改善60%，相对 MRMS 为30%，相对雨量计测量在早期提前期为10%。另一组是用户产品口径：一天或更长时间规划中，用户将看到最高50%更准确的降水预报。两个数字不能混写。前者是评估指标和数据集基线，后者是消费端体验表述，适用对象、比较基准和解释空间都不同。
清洁能源变量则说明Google想把天气模型推向企业侧。官方正文写明，模型会预测接近风机高度的100米风速，用于风电输出估计；同时提供高分辨率云量和太阳辐射水平，帮助太阳能电站估算地面可获得光照。这个设计把天气预测从“告诉用户明天下不下雨”扩展到“给电力资产调度系统提供输入”。对电网运营者和可再生能源开发商来说，预测误差会变成备用电源、购电、弃风弃光和市场报价的成本。
不过，这些落地点也提高了验证要求。降水、风速和太阳辐射都高度依赖区域、季节和极端事件类型。Google称最大的降水改善来自历史上预报可靠性较低的地区，尤其提到拉丁美洲、非洲和亚太等过去受高分辨率预报成本限制的区域。这个方向很重要，但它仍需要更细的公开误差表：热带强对流、山地降水、台风路径、季风区降雨和干旱持续期，可能表现差异很大。
开发者入口改变了采用门槛
Google Maps Platform的Weather API文档显示，开发者可以请求全球地点的实时、超本地天气数据，覆盖温度、降水、湿度等信息，并提供当前天气、最高240小时小时预报、最高10天日预报、最高24小时历史小时数据等端点。WeatherNext 3进入Maps Platform之后，模型改进就会沿着这些接口触达应用开发者，独立研究数据集之外也出现了产品化入口。
WeatherNext开发者页给出的定位更直接：WeatherNext是一组Google的AI天气预报模型，开发者可以访问实时和历史运营预报数据，使用Google Cloud生成定制预测，也可以检查开源研究模型。页面还写明，WeatherNext 3是Google的旗舰运营模型，提供15天全球概率预报，以每小时初始化，使用64个集合成员，并结合实时卫星流与高精度5公里分辨率。这个说法把“模型能力”转成了“服务能力”：数据可以被查询、下载、嵌入和再加工。
这会影响三类团队。面向消费者的应用开发者，最关心的是API是否足够稳定、覆盖是否足够广、价格是否能支撑高频请求。地理信息和环境分析团队，最关心的是BigQuery与Earth Engine的数据是否完整、延迟是否透明、历史数据是否便于回测。能源、农业和供应链团队，最关心的是模型误差能否映射到实际业务KPI，比如发电预测偏差、灌溉计划、港口排班或冷链路线。
也正因为进入了真实应用层，Google在博客末尾保留了免责声明：官方天气预报、严重天气警报和公共安全建议，应参考本地气象机构或国家天气服务。这个边界是AI天气产品必须面对的责任划分。AI模型可以成为更快、更细、更便宜的数据层，但在灾害预警、撤离、航空和公共安全场景里，法律责任和权威发布仍由专业机构承担。
信源和可验证性
这篇深度页的高置信部分来自Google自己的官方发布。发布日期、产品接入、分辨率、刷新频率、降水口径、能源变量和开发者访问方式，都能在Google博客与开发者页面中交叉看到。Google DeepMind和Google AI的X帖子只作为发布线程和传播时间补充，不作为关键性能数字的唯一来源。
外部背书主要来自 Brightband 的 Operational WeatherBench。Google官方称 WeatherNext 3在Brightband独立live evaluations中是目前最先进、最准确的全球天气模型；Brightband页面本身说明其对AI和物理天气预报模型进行每日标准指标排名，并开放工具链。这里可以说“Google引用了独立实时评估”，也可以说“Brightband是独立榜单来源”。但本次采集没有拿到完整逐模型、逐变量、逐区域排行榜数据，因此不能把这句话扩写成所有地区、所有变量都已由第三方证明第一。
上一代 WeatherNext 2 的Earth Engine数据集页面提供了重要背景。该页将WeatherNext 2定义为Google DeepMind FGN天气模型的实验性全球中期集合预报数据集，包含实时和历史数据，空间分辨率为0.25度，约等于25公里；Forecast init times 为6小时分辨率，最大提前期为15天。这正好解释了为什么WeatherNext 3里的“每小时刷新”和“部分变量5公里”是实质增量。注意，triage中原先列出的一个WeatherNext 3数据集catalog URL当前返回404，因此本文没有把它作为已验证来源，只把开发者总入口和Google博客作为可用性证据。
WeatherNext 3最值得关注的地方，在于Google开始把AI天气模型包装成可分发的基础设施层。模型本身提供小时级、局部化和多分辨率预报；Google的产品矩阵负责把它送进搜索、地图、Gemini和云端数据接口。天气这种高频、低容错、强本地化的信息服务，正在从“算一次预报”变成“持续供应可查询数据”。
这也解释了为什么降水和清洁能源变量比总榜名次更重要。降水预测的误差直接影响人和货物是否改变计划，风速和太阳辐射则影响电力系统如何提前调度。若WeatherNext 3能在历史可靠性较低地区稳定提升，它对拉丁美洲、非洲和亚太的价值可能高于发达市场，因为这些地区过去很难以传统区域模型成本获得细粒度预报。
边界同样清楚。Google现在公开的大部分数字仍来自官方发布和官方引用，完整区域误差、极端天气失败样本、业务可用SLA都还没完全展开。企业更稳妥的做法，是先在历史业务数据上做回测，把降水、风速、云量和辐射误差转换成自己的成本函数，再决定是否进入生产链路。
接下来要验证什么
误差透明度是首要验证点。WeatherNext 3的“最高50%更准确”只适用于一天或更长规划中的降水预报，并且改善最大处在历史可靠性较低的地区。后续最有价值的公开材料，是按区域、季节、提前期和天气类型拆分的误差表，尤其是强对流、热带气旋、山地降水和干旱场景。
开发者可用性需要单独回测。WeatherNext开发者页已经把BigQuery、Earth Engine和Google Cloud Storage列为访问路径，也提到可以在Google Cloud上生成定制预测。但企业真正会问的是数据延迟、配额、价格、历史回溯、服务等级、授权限制和可再分发条款。模型发布当天能进入文档，不等于每个团队都能马上把它变成稳定生产依赖。
公共安全边界会影响产品呈现。Google在免责声明里要求官方预报、严重天气警报和公共安全建议仍参考本地气象机构或国家天气服务。随着Search、Maps和Gemini接入更强天气模型，用户很可能把Google页面当成事实入口。产品层需要清楚区分“AI模型生成的高分辨率预报”和“权威机构发布的预警”，否则能力增强也会带来责任混淆。
WeatherNext 3与传统数值预报的协作方式同样关键。Google的路线是用实时观测和学习式模型绕开部分计算成本与滞后问题，同时保留与物理模型协作的空间。未来更可能出现的形态，是AI模型给出快速、密集、高频的候选预报，气象机构和行业系统再把它与物理模型、雷达、地面站和人工判断结合。真正的行业变化，会体现在这种混合工作流能否降低成本并提高响应速度。