全球规模下的实时数据
WeatherNext 3 最大的飞跃在于其学习的数据来源。大多数 AI 天气模型，包括 WeatherNext 2，都是基于数值天气预报（NWP）模型的数据进行训练的。尽管 NWP 模型颇具价值，但它们是基于超级计算机驱动的复杂物理模拟，存在六小时的数据滞后。这种滞后可能导致对降雨或地表温度等快速变化变量的预测出现偏差。
通过整合全球静止轨道卫星的实时数据拼图，我们的新模型获得了对大气层丰富且持续更新的视角。这使得模型能够每小时生成一次新的预报，每次预报都基于最新的可用卫星观测数据，分辨率高达 5 公里。
这一点至关重要，因为关键天气现象的发展速度极快。当风暴、锋面或降水系统突然形成时，我们快速的更新周期和更高的分辨率能够提供更早、更详细的洞察，这对于推动有效的应对措施至关重要。
像温度和湿度这样的变量在短短几公里的范围内可能会剧烈波动，这对靠近海岸线、山谷或山脉的社区尤其相关。传统模型在此方面面临困难，因为它们训练所依据的大气表征缺乏细节，无法捕捉极端的局部变化。
为了解决这一问题，WeatherNext 3 改为直接在稀疏的气象站观测数据上进行训练。这使得我们能够在 5 公里网格上生成全球预报，同时考虑地形等区域细节。
这一突破对于拉丁美洲、非洲和亚太地区而言尤为关键，这些地区长期以来因传统区域模型巨大的超级计算成本而未能获得高分辨率天气预报服务。它将本地化、高保真度的预报带给了这些地区的数十亿人口和本地企业。
除了提高分辨率和预报频率外，我们的模型还引入了专为可再生能源生产设计的预测功能。该模型可预测 100 米高度的风速（大致对应风机高度），以精确估算风能产量；同时提供高分辨率的云量和太阳辐射水平数据，帮助太阳能农场估算其地面接收到的光照量。
这些数据对于全球清洁能源规划至关重要，使电网运营商和可再生能源开发商能够准确预测其清洁能源资产将产生多少电力，并将其与消费者需求相匹配。
突破性的降水预报精度
全球天气模型在准确预测降水方面历来存在困难。降雨和降雪系统由微小尺度上快速移动的云过程驱动，使用传统的基于物理的模拟很难对其进行准确建模。因此，AI 预报往往会产生模糊的估计，或者完全错过严重风暴的边界。
为解决这一问题，我们在两个 exceptionally 高质量的降水数据源上训练模型：NASA 基于卫星的全球降水测量任务（GPM）综合多卫星反演（IMERG），以及我们基于卫星雷达的全球降水再分析数据。
结果是降水预报精度有了显著提升。在中期全球预报中，与基准线的评估显示，与 IMERG 相比，连续等级概率评分（CRPS）提高了高达 60%，与 MRMS 相比提高了 30%，在早期预报时效内与雨量计测量值相比提高了 10%。