谷歌开放 WeatherNext 3 底层数据：5 颗卫星拼接云图与 15 分钟降水再分析
WeatherNext 3 的预报能力此前多被当作模型层面的进展来讨论，真正决定它能不能被复现的，是模型吃进去的那批数据。谷歌 DeepMind 已将 SatWeave 与 PARDIG 两套基础数据集对外开放，全球研究者与开发者都能拿到实时数据流和历史归档，用于天气、水文、气候以及相关下游应用建模。对做气象类产品的团队来说，这意味着过去只能看论文里描述的数据管线，现在有了可以直接接入的版本。
SatWeave 把 5 颗静止卫星拧成一张逐小时云图
静止气象卫星从来不是一家在拍。SatWeave 聚合的是 GOES-East、GOES-West、Meteosat 0、Meteosat 印度洋星与 Himawari 共 5 颗卫星的观测，做成一套全球影像拼接产品。麻烦之处在于这几颗星在地图投影、文件格式、传感器与扫描节奏上各不相同，拼接前必须先对齐这些差异。
更新频率是这套数据最直接的价值点。SatWeave 每小时刷新一次，历史存档跨越十年以上。WeatherNext 3 正是靠实时云图与风暴动态生成逐小时全球预报；作为对照，传统分析数据的刷新间隔通常为每六小时一次。
谷歌方面还希望研究社区把 SatWeave 用到天气预报之外的场景，太阳能功率预测与野火监测是其中提到的两个方向。按我的判断，这类逐小时全球云图对光伏出力预测的价值，可能比它对中期天气预报的价值更早兑现。
PARDIG 绕开地面雷达，直接向星载雷达学习
降水再分析产品长期受制于一个问题：地面雷达和雨量计分布不均，海洋与大片的陆地区域基本是空白。PARDIG 走的是另一条路——它采用与 WeatherNext 3 相似的球形图网格 Transformer 架构，训练目标直接取 NASA 全球降水测量核心观测台的稀疏星载雷达观测，输入侧用 SatWeave 影像配合欧洲中期天气预报中心的大气场。
规格上，PARDIG 的空间分辨率约 10 公里（0.1°），时间分辨率 15 分钟，平均延迟约 5 小时。这个延迟量级决定了它更适合做临近降水分析和模式校验，而不是对时效要求最高的实时预警。
谷歌给出的评估覆盖美国、欧洲、日本三大陆基雷达网络，以及全球 3.6 万余座气象站。结果显示 PARDIG 在所有雨强档位上都优于 NASA IMERG-Final 等主流基线产品：对轻到中度降水的小时级识别技巧较 IMERG-Final 提升 30% 以上，对极端降水的捕捉能力尤为突出。由于模型直接从卫星观测中学习，在缺乏地面雷达与雨量计的地区，它同样能保持可靠精度。
许可与托管：CC BY 4.0 与 1999 年以来的归档
本次同步开放的还有 1999 年至 2026 年的 PARDIG 历史档案，以及 SatWeave 与 PARDIG 两套实时数据流。数据托管在 Google Cloud Storage 上，以 CC BY 4.0 许可开放，商用与二次分发在署名前提下基本不受阻。
对准备落地的团队，我一般建议先确认几件事：
- 业务是否依赖小时级以内的降水变化，若是，15 分钟时间分辨率与约 5 小时延迟的组合需要先算清楚是否够用；
- 覆盖区域有没有地面雷达支撑，PARDIG 的优势恰恰在雷达稀疏区；
- 历史回测是否要拉到 1999 年，长归档对训练与校验的价值通常高于实时流。
值得注意的是数据出口。托管在 Google Cloud Storage 上，跨云取数的流量成本在规模化使用后会成为一笔实际开销，小规模验证阶段影响不大，长期跑批量任务就得提前规划。
开放数据之后，竞争点会往哪移
气象基础模型的门槛正在从模型结构转向数据管线。SatWeave 解决的是多源卫星数据的对齐与时效，PARDIG 解决的是稀疏观测下的降水反演精度，两者合起来构成了 WeatherNext 3 复现所需的地基。数据以 CC BY 4.0 放出，等于把这层地基交给整个研究社区。
接下来的看点在于下游生态能否接住。太阳能功率预测、野火监测这类场景对逐小时云图的需求真实存在，但把通用数据集调成可用的业务产品，中间仍有大量工程工作。按我的经验，先租用云上算力跑通一个季度的真实负载，比在本地估算存储与带宽更靠谱。