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，帮助研究人员和开发者构建新的天气、水文和气候应用。

要理解和预测地球的天气与水循环，首先取决于我们当下能多好地观测地球。卫星和地面仪器持续、细致地监测着这颗星球。但要把这些原始测量数据转化为一幅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，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。我们同时提供这两个数据集的历史存档和实时数据流，方便研究人员和开发者在建模及下游应用中使用。

SatWeave：来自太空的地球统一视图

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。由于各卫星使用不同的地图投影、文件格式、传感器和扫描时间表（间隔从 10 到 30 分钟不等），要形成一幅连贯的全球地图并不容易。现有的大多数全球合成产品会舍弃不兼容的部分，只提供四个或更少的通道，或者每隔几小时才更新一次。

SatWeave 每小时更新一次，因此 WeatherNext 3 能够生成新的全球预测，而基于分析数据的模型每六小时才刷新一次初始场。我们发布这一每小时更新的实时数据流，以及跨越十多年的历史存档。

我们已在 WeatherNext 3 的中期天气预报中使用 SatWeave，也期待与更广泛的研究和开发者社区一起探索太阳能发电和野火监测等预报应用。

PARDIG：全球范围内准确的高分辨率降水

降水影响着从粮食和水供应到洪涝与干旱风险的一切，但要在全球范围内准确追踪降水仍是一大挑战。地面雷达和密集的雨量计网络能提供高质量数据，但并非所有地区都有这些设施，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 采用与 WeatherNext 3 类似的 AI 架构，直接以 NASA 全球降水测量（GPM）核心观测站稀疏的星载雷达观测为训练数据，并以 SatWeave 影像和 ECMWF 的大气场作为输入。最终得到一幅高度准确的全球降水图，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，对无数应用至关重要。在轻至中度降水上，PARDIG 的逐小时降水检测能力比 IMERG-Final 提升超过 30%。它在捕捉极端降水方面尤其有效，而现有全球产品往往难以检测到这类降水。

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度，即使是在没有这些地面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 历史数据存档。WeatherNext 3 曾将 PARDIG 用于中期天气预报，我们也很高兴能与社区合作并支持他们探索改进洪水、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

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帮助世界各地的研究人员开辟新途径，将天气观测与关键的现实应用连接起来。

了解更多

致谢

这项工作由 Google DeepMind 和 Google Research 的多个团队共同完成，并与 Google Cloud 和 Google Geo 合作。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。