谷歌是AI（即机器学习）天气预报模型领域的主要参与者之一。该公司以及其他厂商生成的模型各有优劣，但主要优势在于，这些模型能够以远低于传统模型的计算资源实现相近的预报性能。这意味着它们可以更频繁地运行。
谷歌近日发布了其WeatherNext模型的第三版，最大的变化是该模型现在能够接入部分卫星天气数据，从而缩短了当前天气状况与生成新预报之间的滞后时间。相关更新细节已在一份白皮书中详细说明。
再分析数据
许多天气模型都会用到一种被称为"再分析"的数据，它本身也是一种模型。再分析会接收各类天气数据，并将它们整合成一张单一、连贯的全球大气状态快照。由于天气预报模型需要处理全球范围的图景，这就要求再分析为那些缺乏实际观测数据的地点提供估算值。
几乎所有的AI天气模型此前都完全依赖再分析数据，机器学习算法基于全球再分析数据进行训练，并输出相同格式的天气图。这其中存在一些妥协——原始数据源本身可能包含一些信息，但在再分析处理过程中会有所损失，而且这些全球快照通常只每六小时生成一次。
传统天气预报模型往往还会纳入其他原始数据，尽可能捕捉更多信息，以准确呈现大气当前的状态，从而使模型能够利用物理原理对未来状况进行模拟。WeatherNext 3现在也开始这样做，加入了气象卫星数据，并因此将预报频率提高到每小时一次。
此外还有一些其他变化。空间分辨率有所提升，机器学习模型的规模也更大，这促使团队对一些处理流程进行了调整，以控制计算需求的增加。他们还加入了一个单独的机器学习模型，该模型基于卫星降水估算数据进行训练，这意味着现在有多种降水预报可供参考。
与利用某地物理属性来模拟物理过程的传统模型不同，机器学习模型基本上是一个"黑箱"，它通过对过往模式的训练来输出对未来模式的预测。不过，WeatherNext 3加入了一点物理信息，用以计算任意指定地点的地表温度和露点。它会判断该地点是陆地还是海洋，并利用其海拔高度信息。团队表示，通过在训练中使用带有这些标注信息的历史气象站数据，他们获得了更准确的预报结果。
一些异常现象
白皮书展示了一些结果，用以证明相较于WeatherNext 2以及欧洲中期天气预报中心（ECMWF）AI模型的预报性能提升。
例如，他们指出，相较于此前的模型，高层大气状况的预测准确率提高了约5%，据其表示，这相当于多出约六个小时的准确预报提前期。而针对特定地点的地表温度计算方式的改进，则使准确率提升了高达30%。在这些指标上，他们也普遍优于ECMWF模型。
不过有一个奇怪的例外，白皮书甚至没有对其成因做出任何猜测。对于若干变量而言，将其与其他模型最初六小时的预报结果进行对比时，WeatherNext 3的表现反而更差，之后才在长达15天的预报周期中逐渐反超。
更大尺度的模式也并非没有一些怪异之处。在某些预测中可以看出模型网格的形状，比如降水地图上出现了一些明显呈六边形的斑块。他们生成多组地表温度预报以呈现可能结果范围的方法，也常常会产生全球平均温度偏高或偏低的快照。通常来说，人们希望看到平均值保持一致，而局部尺度的变化则应在全球范围内相互抵消、趋于平衡。
总体而言，团队表示，他们的新模型"代表了基于AI的天气预测的一次重大进步，它不再仅仅依赖再分析数据，而是利用了信息密集、低延迟的观测数据"。
WeatherNext 3现已成为谷歌各项服务——包括搜索、Gemini和地图——天气预报信息的数据来源。
Q&A
Q1：WeatherNext 3相比之前的版本有什么改进？
A：WeatherNext 3最大的改进是开始接入卫星天气数据，缩短了当前天气与预报生成之间的滞后时间，预报频率也提高到每小时一次。同时空间分辨率提升，高层大气条件准确率提高约5%，特定地点地表温度计算准确率提升最高达30%。
Q2：WeatherNext 3现在用在谷歌哪些产品上？
A：WeatherNext 3目前已成为谷歌搜索、Gemini和地图等服务中天气预报信息的数据来源。
Q3：AI天气预报模型和传统天气模型有什么区别？
A：传统模型主要依靠物理原理模拟大气变化，而AI天气模型大多是"黑箱"式的，通过训练历史数据模式来预测未来天气，计算资源需求远低于传统模型，因此可以更频繁地运行。
