Google DeepMind 开放 WeatherNext 3 背后的 SatWeave 与 PARDIG 数据集

2026年11月13日 科学

WeatherNext 团队

我们发布 PARDIG 和 SatWeave，以帮助研究人员和开发者构建新的天气、水文和气候应用。

理解和预测地球的天气与水循环，首先要看我们当下能多好地观测地球。卫星和地面仪器持续、高细节地监测这颗行星。但要把这些原始测量转化为连贯的全球图景并快速提供出来，是一项重大的科学与工程挑战。

今天，我们发布两个基础数据集 SatWeave 和 PARDIG，以支持全球社区构建天气、水文和气候应用。这两个数据集对我们近期发布的 WeatherNext 3 模型的进步至关重要。SatWeave 是地球静止卫星影像的全球拼图，为模型提供发展中的云和风暴的实时视图。PARDIG 是一个基于 AI 的全球降水数据集，用于训练该模型的降水预报。我们正在提供这两个数据集的历史档案和实时数据流，以便研究人员和开发者将其用于建模和下游应用。

SatWeave：来自太空的统一地球视图

SatWeave 整合了五颗卫星的影像，它们覆盖全球不同区域：GOES-East 和 GOES-West、Meteosat 0 和 Meteosat Indian Ocean，以及 Himawari。由于每颗卫星使用不同的地图投影、文件格式、传感器和扫描时间表（从 10 到 30 分钟不等），要形成连贯的全球地图十分困难。大多数现有的全球合成产品会舍弃不兼容的方面，仅提供四个或更少的通道，或每隔几小时才更新一次。

SatWeave 每小时更新，因此使 WeatherNext 3 能够生成新的全球预测，而基于分析数据的模型则每六小时才刷新一次。我们正在发布这一每小时实时数据流，以及跨越十多年的历史档案。

虽然我们已在 WeatherNext 3 的中期天气预报中使用了 SatWeave，但我们渴望与更广泛的研究和开发者社区一起探索太阳能和野火监测等预报应用。

PARDIG：全球范围内准确、高分辨率的降水

降水影响着从我们的食物和水供应到洪涝和干旱风险的一切，然而在全球范围内准确追踪降水仍是一项重大挑战。虽然地面雷达和密集的雨量计网络能提供高质量数据，但它们并非在所有地区都可用或覆盖良好。

为帮助弥合这一差距，我们开发了 PARDIG（降水 AI 再分析：密集推断 GPM）。PARDIG 基于与 WeatherNext 3 类似的 AI 架构，直接使用 NASA 全球降水测量（GPM）核心观测站的稀疏星载雷达观测进行训练，并以 SatWeave 影像和 ECMWF 的大气场作为输入。其结果是高精度的全球降水图，时间分辨率为 15 分钟，空间分辨率约为 10 公里，平均延迟约五小时更新。

我们针对美国、欧洲和日本的三大大陆雷达网络，以及全球超过36,000个气象站，对PARDIG进行了评估。在所有分析的降雨强度下，PARDIG均优于全球领先的基线模型，包括NASA的IMERG-Final——这是一个研究级降水估算数据集，对无数应用而言至关重要。在轻至中度降水方面，PARDIG将小时降水检测技能较IMERG-Final提升了30%以上。它在捕捉极端降水方面尤为有效，而现有全球产品在检测此类降水时往往面临挑战。

由于PARDIG直接从卫星学习，而非仅依赖地面测量，我们预计它在地球上任何地方都能保持可靠的准确性，即使是在无法获得这些测量的地区也是如此。

除了实时数据流，我们还发布了1999年至2026年的PARDIG历史数据档案。虽然WeatherNext 3将PARDIG用于中期天气预报，但我们很高兴能与社区合作并赋能社区，探索改进洪水、滑坡和干旱模型，尤其是在缺乏密集地面雷达网络的地区。

赋能天气与气候生态系统

SatWeave和PARDIG的实时及历史数据集现已在Google Cloud Storage上公开提供。PARDIG的历史目录也可在Google Earth Engine中获取。作为Google Earth AI产品组合的最新成员，我们希望这些数据集能赋能世界各地的研究人员，开辟将天气观测与关键现实应用相连接的新方式。

了解更多

致谢

这项工作由Google DeepMind和Google Research的多个团队开发，并与Google Cloud和Google Geo合作完成。我们感谢那些通过开放卫星计划和数据集使这项工作成为可能的组织，包括ECMWF、NASA、JAXA、NOAA、EUMETSAT、KMA、JMA、KNMI和Synoptic Data。