WeatherNext 3 把部分预报细化到 5 公里，但不是每一格都更准

作者：林岚｜OC 开发者生态编辑

据 Google DeepMind 的发布说明，WeatherNext 3 将部分近地面天气变量的空间分辨率细化到 5 公里，并提供逐小时的预报信息。它也把卫星观测等输入接入模型，让 AI 天气系统更贴近需要判断具体时段、具体区域的应用。这里最容易被标题略掉的词是“部分”。

一句话结论：更细的网格让天气模型更有用，但开发者仍要逐项核对变量、指标和适用地点，不能把分辨率当成准确率。

5 公里不是所有变量统一升级

官方说明区分了不同输出：部分地表温度和湿度信息为 5 公里，其他近地面变量为 10 公里，大气风场等仍有 25 公里层级。这种差异意味着，同一款产品里看起来连续的天气地图，背后未必是一套同等精细的数据。

对应用开发者，这首先是数据接口问题。页面上可以把不同网格插值到同样大小，但显示变细不会凭空增加观测信息。若用精细温度图去衬托较粗的风场，却不说明区别，用户可能以为所有决策都得到同样尺度的支持。

逐小时预报也应与系统刷新频率分开理解。前者描述预测时间点之间的间隔，后者描述新预测多久生成一次。做户外活动提醒、物流排班或风电调度时，两者都会影响决策，不能只保留一个“小时级”标签。

“提升 60%”必须带着指标读

Google 报告的降水结果包含不同观测数据集上的 CRPS 改善幅度，在部分早期预报时效条件下最高达到约 60%；另一些数据集对应约 30% 和 10%。这些数字不是降雨判断准确率增加了 60 个百分点，也不能代表所有地点、所有提前量都同样改善。

CRPS 用来评价概率预测。它与“明天下不下雨猜对了几次”不是同一统计口径。一个系统即使总体表现更好，在特定地形、极端天气或低频事件中仍可能有不足。采购方要的是自己场景下的误差与后果，而非发布材料里最大的百分比。

例如，漏报一场短时强降雨与多发一次普通降雨提醒，业务损失可能完全不同。做决策系统时，应该把错过事件和误报事件分别记录，并确定何时转用人工判断或官方预警。不能让一个综合分数替代这套规则。

从天气能力到业务价值，还隔着本地验证

模型接入卫星观测、历史分析和地面站数据，并不意味着它抛弃了物理世界约束，也不意味着每个具体地点都已完成独立验证。Google 提到了外部实时评估；在没有逐项对照相应测试范围前，不能把厂商发布中的表述扩大成无条件领先。

更直接的产品机会出现在风能、太阳能等领域。风机所关心的高度与普通天气应用不同，太阳能业务也需要云量和辐射信息，而不只是一个晴天图标。但天气预报更好，不会自动变成发电预测更好：设备性能、限电、维护和本地传感器仍在另一层模型里。

Google 表示，数据将通过云端渠道提供，并逐步进入其消费产品。对独立开发者，合理的起点是选一个地区、一个变量和一类决策，做可回放的对比。先证明它减少了实际错误，再扩大覆盖范围。

关键事实

• 5 公里分辨率只对应部分输出，不是所有天气变量。
• 小时级时间分辨率与预报刷新频率不是同一个指标。
• 降水改善数字对应特定数据集、评分方式和预报时效。
• 发布材料中的性能结论来自厂商说明，具体业务仍需本地验证。

OC 判断

AI 天气预报下一阶段的竞争，会从“整体超过谁”转向“在哪个地点、哪个时段、支持哪种决定”。这对开发者是机会，也提高了责任：界面越精细，越要说明不确定性。涉及灾害与人身安全时，更不能把模型输出包装成替代当地正式预警的权威结论。

为什么重要

• 对开发者：必须保留变量分辨率、更新时间和概率信息，避免显示制造精度错觉。
• 对企业：业务收益要在真实损失函数下衡量，不能只看综合榜单。
• 对用户：天气信息更细，不等于任何一条街、任何一次极端事件都能准确预测。

参考来源

• Google DeepMind：Introducing WeatherNext 3