我先联网核实谷歌 WeatherNext 3 这两个数据集的官方口径和技术细节。
官方博客细节值得读一遍，我抓一下原文确认卫星数量、分辨率和授权口径。
官方博客已读完，参数、许可、评估口径都对上了。以下按你的格式输出。
结论很直接：这不是一次普通的数据放量，而是把顶级 AI 气象模型的 “输入层” 和 “监督层” 同时交给了公众。2026 年 11 月 13 日，Google DeepMind 正式开放 WeatherNext 3 所依赖的两个基础数据集：SatWeave 是五颗静止气象卫星的全球云图拼接产品，17 个可见光 / 水汽 / 红外通道，每小时更新，历史存档超过十年；PARDIG 是基于 AI 的全球降水再分析数据集，空间分辨率约 10 公里（0.1°）、时间分辨率 15 分钟、平均延迟约 5 小时，历史可回溯到 1999 年。两者都托管在 Google Cloud Storage，以 CC BY 4.0 许可开放，PARDIG 的历史目录还进了 Earth Engine。更关键的一点：正因为有了这套底层数据，WeatherNext 3 才能做到 “逐小时出全球预报”，而传统数值模式的气场分析通常 6 小时才刷新一次。对中国的研究者和开发者来说，这是可以直接下载、直接跑模型的开源资产，不是只能看新闻的成果展示。
一、先看两张 “地基” 的分工
| 维度 | SatWeave | PARDIG |
|---|---|---|
| 解决什么问题 | 看得全、看得勤：把多颗卫星拼成一张连续的全球云图 | 算得准：把稀疏的星载雷达观测，稠密推断成全球降水场 |
| 数据类型 | 静止卫星影像全球镶嵌 | AI 生成的降水再分析产品 |
| 卫星 / 来源 | GOES-East、GOES-West、Meteosat 0、Meteosat 印度洋、Himawari | NASA GPM Core Observatory 星载雷达观测 |
| 通道 | 17 个（可见光、水汽、红外） | 不适用（输出降水强度分布） |
| 时间分辨率 | 逐小时 | 15 分钟 |
| 空间分辨率 | 原始扫描 10–30 分钟 / 颗，拼接口径以官方为准 | 0.1°（约 10 公里） |
| 延迟 | 准实时（小时级） | 平均约 5 小时（论文口径 2–8 小时） |
| 历史长度 | 十年以上 | 1999–2026（LR 长记录）；2016 至今（NRT 准实时） |
| 用途 | 云与风暴动态、逐小时预报输入；可拓展太阳能、野火 | 降水估计、洪水 / 滑坡 / 干旱建模、预报训练目标 |
| 获取方式 | Google Cloud Storage | Google Cloud Storage ＋ Earth Engine 历史目录 |
| 许可 | CC BY 4.0 | CC BY 4.0 |
一个细节要说明：官方博客在不同段落分别写了 “combines imagery from five satellites” 和 “blends observations from six geostationary satellites”，具名的是五颗。这类口径差异在拼接产品里常见（可能涉及某颗卫星的多星段或备份星），引用时建议以 “五颗具名卫星” 为准，六颗的说法留个注。arXiv
二、SatWeave：把五颗卫星 “缝” 成一张逐小时的图
这件事难在 “缝”，不在 “拍”。
| 难点 | 具体情况 | 后果 |
|---|---|---|
| 投影不同 | 各卫星使用不同地图投影 | 直接叠加会错位、变形 |
| 格式不同 | 文件格式不统一 | 读取与对齐成本高 |
| 传感器不同 | 通道定义、定标不一致 | 同一云层在不同星上 “颜色” 不同 |
| 扫描节奏不同 | 每 10–30 分钟扫描一次，节奏不齐 | 时间戳对不齐，做不了统一时次 |
现有全球合成产品通常会 “丢掉不兼容的部分” 来换取统一，代价是通道只剩四个以内，或者几小时才更新一次。SatWeave 的做法是保留信息量：17 个通道全部保留，统一到全球镶嵌，逐小时更新，历史存档十年以上。这就给了 WeatherNext 3 一个 “实时看云” 的入口 —— 风暴在哪长起来、云顶怎么变，模型能按小时吃到，而不是等 6 小时一次的分析场。
这也解释了为什么谷歌在博客里主动提 “希望社区把它用到太阳能功率预测和野火监测”：逐小时、17 通道的全球云图，本身就是光伏出力预测和火点烟羽识别的理想输入。Google DeepMind
三、PARDIG：用稀疏雷达教 AI 算全球降雨
PARDIG 的全称是 Precipitation AI Reanalysis: Densely Inferred GPM，翻过来就是 “降水 AI 再分析：稠密推断 GPM”。它的思路很 “反直觉”：监督信号极其稀疏，但推断结果极其稠密。
| 技术要点 | 具体做法 |
|---|---|
| 架构 | 沿用 WeatherNext 3 的球形图网格 Transformer（icosahedral mesh，40962 节点、6 层细化） |
| 容量 | 16 层、隐维 512，明显小于 WeatherNext 3 的 32 层 / 1024 维 |
| 训练目标 | NASA GPM Core Observatory 的稀疏星载雷达足迹（GPM CORRA） |
| 输入 | SatWeave 卫星影像 ＋ ECMWF 大气场 |
| 推断方式 | 单次无噪声前向，覆盖 [t0−2h, t0+2h)，输出离散化的边缘降水分布 |
| 输出 | 0.1°、15 分钟的全球降水场；NRT 自 2016 年至今，LR 回溯至 1999 年 |
评估做得比较硬：
| 验证对象 | 规模 | 结果 |
|---|---|---|
| 美国 MRMS 雷达网 | 大陆尺度 | 各雨强档位优于基线 |
| 欧洲 EURADCLIM | 大陆尺度 | 同上 |
| 日本 JMA Radar-AMeDAS | 大陆尺度 | 同上 |
| 全球地面气象站 | 3.6 万余座 | 同上 |
| 对照产品 | IMERG V07（Final 与 Early）、MSWEP V3、ERA5、HRES | 全面胜出，极端雨强提升最大 |
| 小时级识别技巧（CSI） | 2016–2023，阈值 0.2–25 mm/h | 轻到中雨较 IMERG-Final 提升 30% 以上 |
还有一个 “回灌” 结论值得注意：用 PARDIG 作为训练目标去训 WeatherNext 3，降水预报本身也会更准。也就是说，它不仅是一个产品，还是一个更好的 “老师”。博客里附的 2025 年 7 月得州山洪案例，就是拿 NOAA MRMS（约 1 公里）、PARDIG（约 10 公里）、IMERG-Final（约 10 公里）三方对照，展示 PARDIG 在极端降水落区和时次上的优势。Google DeepMind
四、为什么谷歌愿意把 “地基” 开源
- 数据是这类模型真正的瓶颈。 WeatherNext 3 的能力上限，一半来自架构，一半来自 “有没有干净、连续、低延迟的全球观测”。把 SatWeave 放出来，等于把 “输入怎么造” 这件事公开了。
- 单靠一家公司做不出全球覆盖。 地面雷达和雨量计在欧美日密集，在海洋、非洲、高原、极地稀疏。PARDIG 用卫星学习，天然适配 “没有地面站” 的地区，这正是公共产品属性最强的地方。
- 生态比护城河更值钱。 CC BY 4.0、Cloud Storage、Earth Engine 三件套，等于把使用门槛压到 “会写代码就能跑”。下游越多，谷歌 Earth AI 体系的标准话语权越强。
- 商业闭环本来就在。 WeatherNext 3 已经接进 Search、Maps、Gemini，企业侧可通过 BigQuery、Earth Engine、Maps Platform、Cloud Storage 调用。数据开源不等于能力免费，模型与服务仍在自己的商业轨道上。
- 合规与信任。 参与方署名里明确列了 ECMWF、NASA、JAXA、NOAA、EUMETSAT、KMA、JMA、KNMI、Synoptic Data，数据来源链路清楚，这对科研引用很关键。
Google DeepMind
五、想直接用，按这四步走
- 先定任务，再选数据集。 做云 / 辐射 / 光伏 / 野火，从 SatWeave 入手；做降水、洪水、滑坡、干旱，从 PARDIG 入手；做预报模型训练，两个都要。
- 取数。 实时流与历史归档都在 Google Cloud Storage 的公开桶；PARDIG 的历史目录另有 Earth Engine 入口，适合做区域时序分析而不想下载 TB 级文件的人。
- 对齐口径。 注意 PARDIG 的 NRT 与 LR 是两条不同的输入链：NRT 用 HRES＋30 分钟 11 通道卫星拼图，LR 用 ERA5＋GridSat-B1＋被动微波，跨版本混用会引入系统性偏差。
- 读完论文再调参。 arXiv 2611.13941 给了完整的架构、阈值、评估方法；许可为 CC BY 4.0，署名要求别忘了。
| 你的场景 | 推荐入口 | 注意点 |
|---|---|---|
| 全球云图可视化 | SatWeave 实时流 | 逐小时，注意时次对齐 |
| 光伏 / 野火 | SatWeave ＋ 自有标签 | 官方明确列为待探索方向 |
| 洪水预警 | PARDIG NRT | 延迟约 5 小时，不适合分钟级响应 |
| 气候态 / 长序列 | PARDIG LR | 1999 年起，输入链与 NRT 不同 |
| 训练自己的降水模型 | PARDIG 作目标 | 论文已验证可提升下游预报 |
六、边界要提前说清楚
- 这是实验性数据集，不是官方预报。 DeepMind 自己在 Weather Lab 页面就写明：官方预报与预警请以当地气象部门为准。
- 延迟不等于实时。 PARDIG 平均约 5 小时、区间 2–8 小时，做临近预报（0–2 小时）仍不够，那是 SatWeave 和雷达外推的活。
- AI 产品有自己的误差结构。 轻中雨技巧 +30% 是在 CSI 口径、2016–2023 区间、0.2–25 mm/h 阈值下测的，换个地区、换个季节，表现会有波动。
- 极端降水 “更准” 但要看成灾链条。 降水估得准，不等于洪水模型就准，产流、地形、管网、土壤湿度都还是变量。
- 开源不等于无成本。 TB 级数据的存储与出口流量、GPU 训练成本，仍然要自己掏。
一句话收束：谷歌这次开源的价值，不在于又放了多少 PB 数据，而在于它把 “AI 气象模型怎么看见地球” 这件事标准化了 —— 一张逐小时的全球云图，一张 15 分钟、10 公里的全球雨图，加上一个可以复现的论文。谁都能拿到这套地基，但楼能盖多高，还是看各自的模型和场景理解。
arXiv
【常见问题】
问题 1：谷歌这次开源的 WeatherNext 3 数据集，具体包括哪两个？
回答 1：包括 SatWeave 和 PARDIG 两个。SatWeave 是静止气象卫星影像的全球拼接产品，聚合 GOES-East、GOES-West、Meteosat 0、Meteosat 印度洋、Himawari 五颗卫星，17 个可见光 / 水汽 / 红外通道，逐小时更新，历史超过十年。PARDIG 是基于 AI 的全球降水再分析数据集，空间分辨率 0.1°（约 10 公里）、时间分辨率 15 分钟、平均延迟约 5 小时。两个数据集都是 WeatherNext 3 的关键底座，均以 CC BY 4.0 许可在 Google Cloud Storage 开放。
问题 2：SatWeave 这个卫星拼接数据集，为什么对 WeatherNext 3 这么重要？
回答 2：因为 WeatherNext 3 要做到 “逐小时出全球预报”，就必须有逐小时的全球观测输入。传统数值模式的气场分析通常 6 小时才刷新一次，而 SatWeave 把五颗扫描节奏 10–30 分钟不等的静止卫星，统一投影、格式、通道后拼成一张逐小时全球云图，模型才能按小时看到云和风暴怎么演变。换句话说，SatWeave 解决的是 WeatherNext 3 的 “眼睛” 问题，没有它，小时级预报就只是架构上的可能性。
问题 3：PARDIG 降水数据集的精度到底提升了多少？
回答 3：官方口径是：在 2016–2023 年、0.2–25 mm/h 阈值区间内，PARDIG 对轻到中度降水的小时级识别技巧（CSI），比 NASA IMERG-Final 提升 30% 以上；在所有雨强档位上均优于 IMERG V07（Final 与 Early）、MSWEP V3、ERA5、HRES，极端降水提升最明显。评估覆盖美国 MRMS、欧洲 EURADCLIM、日本 JMA Radar-AMeDAS 三套雷达网，以及全球 3.6 万余座地面气象站。PARDIG 的空间分辨率约 10 公里、时间分辨率 15 分钟，这是它能抓住短时强降水的前提。
问题 4：谷歌开源的 SatWeave 和 PARDIG，中国研究者能直接用吗？
回答 4：可以用。两个数据集以 CC BY 4.0 许可开放，托管在 Google Cloud Storage 公开桶，PARDIG 的历史目录还放进了 Google Earth Engine，只要能访问相应云服务就能取数，署名遵守 CC BY 4.0 即可。需要提醒的是，SatWeave 和 PARDIG 覆盖全球，中国区域同样在内，但 PARDIG 属于 AI 再分析产品，不是实测，用于业务系统前建议先用本地雷达和雨量计做一次区域校验。
问题 5：用谷歌开源的 PARDIG 做洪水预警，需要注意什么？
回答 5：三个点。第一是延迟，PARDIG 平均延迟约 5 小时、区间 2–8 小时，适合过程性降水和流域累积雨量分析，不适合分钟级临近预警。第二是口径，PARDIG 有 NRT（2016 至今）和 LR（1999 起）两条产品线，输入链不同，做长序列时不要混用。第三是链条，PARDIG 只解决 “下了多少雨”，洪水还要看产流、地形、土壤湿度和工程调度，把它当作 SatWeave 与 PARDIG 体系里的降水输入，而不是预警结论本身。
【参考资料】
- [2026-11-13]（Opening the datasets behind our AI weather models）Google DeepMind
- [2026-11-13]（谷歌开源气象数据集 SatWeave 与 PARDIG）IT 之家
- [2026-11-13]（PARDIG: Global Precipitation Estimates Learned from Sparse Satellite Observations）arXiv
- [2026-11-13]（Google DeepMind abre dados de satélite e chuva por trás do WeatherNext 3）Jornal da IA
- [2026-09-03]（WeatherNext 3: Our most advanced global weather AI model）The Keyword
Google DeepMindjornaldaia.com
【免责声明】
本文基于 Google DeepMind 官方博客、arXiv 论文与公开报道整理，仅作技术信息交流。SatWeave 与 PARDIG 均为实验性数据集，非官方气象预报产品；实际预报与预警请以当地气象部门发布为准。文中分辨率、延迟、精度提升比例等指标均来自官方与论文口径，不同评估区间、阈值与地区下结果会有差异，引用时请注明来源与版本。文中对开源动机与产业影响的分析属个人判断，不构成任何投资或采购建议。