WeatherNext 3 直接讀取衛星觀測，每小時重啟全球機率式天氣預報

Google DeepMind 與 Google Research 發表 WeatherNext 3，把全球 AI 天氣預報由「學習數值模式產生的分析場」推進到直接吸收觀測資料。系統每小時讀入 11 通道、0.1 度解析度的地球同步衛星拼接影像，並結合 ERA5 與 ECMWF HRES 分析資料；相較 WeatherNext 2 每六小時初始化一次，新模型能每小時重新起報，對快速形成的降水事件平均取得約二至三小時的有效提前量。

架構核心仍是 Functional Generative Network，但共享的二十面體網格 Transformer 從 24 層、768 維擴至 32 層、1024 維。不同解析度及更新頻率的資料各有編碼器與解碼器，再映射到共同處理網格；訓練則由 1 度逐步提高至 0.25 與 0.1 度。除網格場外，獨立輸出頭可原生預測降水、熱帶氣旋軌跡，以及任意座標的近地面溫度與露點，不必另跑傳統降尺度流程。

論文以 2024 年資料測試，稱中高層變數相對 WeatherNext 2 的機率預報分數平均改善約 5%，相當於同等準確度下增加約六小時預報時間；未參與訓練的測站上，短期二公尺氣溫 CRPS 最多改善 30%。Google 已把模型接入 Search、Gemini、Maps、Google Maps Platform Weather API 與 Earth Engine。

這些數字仍須審慎解讀：部分比較使用 HRES 衍生場作為真值，插值方式可能偏向高解析模型；強降雨樣本較少，改善主要集中在有雨／無雨門檻附近。論文也承認安地斯山、喜馬拉雅、極區海洋等觀測稀疏地帶存在偏差，部分輸出在六小時邊界會跳動，氣旋集合亦偏低估不確定性。下一步應看獨立即時評測能否在極端天氣與資料分布外地區維持優勢。