Google DeepMind发布WeatherNext 3：AI天气模型实现每小时更新与0.1度分辨率
新模型直接吸收卫星与地面观测数据，2米温度预测误差显著低于竞争模型，且能预测任意地点的逐时天气。
AI解读：传统AI天气模型有两个硬伤：一是分辨率低于物理模型，二是只能用再分析数据初始化，无法直接用观测值，导致分析误差被继承。WeatherNext 3改变了这一点。它用低延迟地球静止卫星数据每小时生成一次预报，空间分辨率达0.1度（约11公里），追平了顶尖物理模型。更重要的是，它直接学习预测卫星降水估计、热带气旋和地面观测站数据，因此能在任意地点给出2米温度和露点预测，误差显著低于竞品——即使是在模型没见过的站点上评估也是如此。这对气象服务商、能源公司（尤其是依赖太阳辐射预测的光伏电站）和灾害预警部门来说，意味着更精细、更新更频繁的预报输入，可能改写他们对AI预报的信任边界。但注意，目前公开的只是论文摘要，具体性能对比数据集、训练细节和发布形式尚未披露，实际落地效果还需看完整论文和产品化进展。
Google DeepMind研究团队在arXiv发表论文，介绍新一代AI天气模型WeatherNext 3。据摘要，该模型实现了每小时生成一次预报、0.1度空间分辨率，性能超越传统全球物理模型，达到概率性中期预报的新水平。
此前AI天气模型的局限在于：分辨率低于最佳物理模型，且仅用分析数据初始化和训练，无法直接吸收观测数据，分析偏差会被模型继承。WeatherNext 3绕开这一限制，直接吸收观测数据进行预报。
三类技术改进
论文摘要列出了WeatherNext 3的三项核心改进：（1）通过摄取低延迟地球静止卫星数据，每小时生成新预报，而传统全球模型每6小时才更新一次；（2）时间与空间分辨率与物理全球模型相当：单层变量（包括太阳辐射和云量）达到每小时时间步长、0.1度空间分辨率；（3）超越传统分析变量，学习预测卫星衍生的降水估计、热带气旋以及地面观测站数据。
通过对稀疏站点数据的建模，WeatherNext 3能在任意位置和时间预测2米温度和露点，预测以当地地理特征为条件。摘要称，即便在与训练集不同的未知站点上评估，其误差也显著低于其他全球模型。
- 每小时更新预报（对比传统模型的6小时间隔）
- 单层变量时间步长：每小时
- 单层变量空间分辨率：0.1度
- 支持变量包括太阳辐射、云量、卫星降水估计、热带气旋、2米温度与露点
论文信息与发布状态
该论文由Stephan Rasp、Boris Babenko、Remi Lam、Peter Battaglia等Google DeepMind研究人员合著，发表于arXiv（编号2609.03582），提交时间为2026年9月3日。论文主题为机器学习（cs.LG），DOI登记尚待完成。
以上内容均依据论文摘要撰写，尚未获得完整论文的细节。研究团队表示，WeatherNext 3的综合能力使AI气象预报不再局限于模仿传统的数据同化、预报和后处理三个独立阶段，而是能进一步推动全球天气预报的性能与精细化上限。
- 论文作者包含Stephan Rasp、Boris Babenko、Dominic Masters、Remi Lam等Google DeepMind成员
- 提交日期：2026年9月3日（UTC）
- arXiv分类：cs.LG（机器学习）
- 来源：arXiv摘要，非全文