AREX Feed Article
Google DeepMind 开放 WeatherNext 3 背后的 PARDIG 与 SatWeave 数据集，称降水检测技能提升逾 30%
2026 年 11 月 13 日，Google DeepMind 通过官方博客和 宣布开放两个数据集——PARDIG 和 SatWeave，并称它们是今年 9 月发布的天气模型 WeatherNext 3 背后的基础数据。按 给出的口径：PARDIG 以 15 分钟为间隔估算全球降雨，空间分辨率约 10 公里，平均延迟约 5 小时；在轻到中等强度降水上，其小时级降水检测技能比 NASA 的研究级卫星降水数据集 IMERG-Final 高出 30% 以上。SatWeave 则把多颗地球静止轨道卫星的观测拼成每 60 分钟更新一次的地球云层与风暴实时视图。两个数据集的实时数据流和历史档案已在 Google Cloud Storage 开放，PARDIG 的历史数据目录也进入了 Google Earth Engine。
博客同时交代了 PARDIG 的评估基础：在美国、欧洲、日本三块大陆级地面雷达网络，以及全球超过 36,000 个气象站上与基线产品对比。所有性能数字均为 Google DeepMind 单方发布口径，目前未见独立核实。
两个数据集，一条从卫星观测到预报输入的链路
博客把两个数据集的分工写得很直白：SatWeave 给 WeatherNext 3 提供正在发展的云和风暴的实时视图，PARDIG 则是模型降水预报的训练数据。DeepMind 称，两者是这次能力进步的关键，都用在了模型的中期预报上。
此次开放的并非静态快照：两个数据集都同时提供历史档案与实时数据流，PARDIG 的历史档案覆盖 1999 年至 2026 年，SatWeave 的档案跨越十余年。博客致谢部分说明，这项工作由 Google DeepMind 与 Google Research 的团队完成，并与 Google Cloud、Google Geo 合作，数据基础来自 ECMWF（欧洲中期天气预报中心）、NASA、JAXA、NOAA、EUMETSAT、KMA、JMA、KNMI 和 Synoptic Data 等机构的开放卫星项目与数据集。
PARDIG：拿星载雷达当老师，把稀疏观测补成全球降雨图
PARDIG 全称 Precipitation AI Reanalysis: Densely Inferred GPM（AI 降水再分析：对 GPM 的密集推断），采用与 WeatherNext 3 类似的 AI 架构，训练目标直接取自 NASA 全球降水测量计划（GPM）Core Observatory 星载雷达的稀疏观测，输入则是 SatWeave 影像与 ECMWF 的大气场。博客交代的问题背景是：地面雷达和密集雨量站网络质量高，但并非所有地区都有，降水偏偏又关系到粮食、供水和洪旱风险。
评估结果集中在一张图上：2016 年至 2023 年，PARDIG 与 IMERG-Final、IMERG-Early 在美国、欧洲、日本三个区域的地面雷达网络上对比小时降水检测技能（Critical Success Index，临界成功指数），横轴按对数刻度铺开 0.2～25 mm/h 的降水强度，标注了轻（0.3 mm/h）、中（2.5 mm/h）、强（20 mm/h）三档。三个面板里，近实时的 PARDIG 曲线在每一种强度上都位于另外两条之上。图注还标出了两个基线的差别：IMERG-Final 是 IMERG（Integrated Multi-satellite Retrievals for GPM）中要滞后约三个月才发布的研究级产品，IMERG-Early 与 PARDIG 一样近实时。博客据此称 PARDIG 在所有分析的雨强上都优于这些全球基线，并且「在捕捉极端降水方面尤其有效」——这正是现有全球产品容易漏掉的部分。
博客选来说明问题的示例是 2025 年 7 月美国得克萨斯州丘陵地区（Texas Hill Country）的山洪：同一时段的小时降雨并列了三个版本——约 1 公里分辨率的 NOAA MRMS 地面雷达、近实时的 PARDIG 与 IMERG-Final（后两者约 10 公里）。DeepMind 在博客中的推断是：由于 PARDIG 直接向卫星学习、不单纯依赖地面测量，它「在地球上任何地方都应有可靠精度」，包括没有地面测量的区域——这是预期，不是实测结论。
SatWeave：把互不兼容的静止卫星观测拼成每小时全球云图
SatWeave 的难点在博客里列得很具体：GOES-East、GOES-West、Meteosat 0、Meteosat Indian Ocean 和 Himawari 覆盖地球不同区域，但各自的投影、文件格式、传感器与扫描计划（10～30 分钟不等）互不兼容，很难拼成一张连贯的全球图。博客称，现有全球拼图产品大多为此丢弃了不兼容的部分，只保留四个以下通道，或者几个小时才更新一次；SatWeave 则把可见光、水汽和红外共 17 个通道拼进同一张图，并把更新节奏提到每小时。
「每小时」正是它与 WeatherNext 3 的接口。博客的说明是：模型因此能随时用最新观测给出新的全球预报，而传统模式依赖的分析场每 6 小时才刷新一次。把这一点写进了摘要：通过摄入低延迟的地球静止轨道卫星数据，模型可以每小时、而不是像传统全球模式那样每 6 小时产出新预报。
WeatherNext 3 的每小时预报，靠这两份数据撑起来
要看懂这次开放，得回到 9 月。WeatherNext 3 由 Google DeepMind 和 Google Research 于 2026 年 9 月 3 日发布，称其为「迄今最先进、最准确的全球天气模型」，依据是 Brightband 的独立实时评测；则称它是第一个每天每小时生成预报的全球天气模型。它直接学习实时观测：针对气象站的温度和湿度精确到 5 公里，其他地面变量 10 公里，大气变量 25 公里，整体分辨率约为上一代 WeatherNext 2（25 公里网格、6 小时一报）的五倍。公告还强调模型直接用稀疏气象站观测训练，对历史上难以获得高分辨率预报的拉美、非洲和亚太地区尤其重要。从发布当天起，WeatherNext 3 开始为 Google 搜索、Gemini 应用、Google 地图等产品提供天气体验。
PARDIG 在 WeatherNext 3 里的位置，写得很明确：模型训练时用了三个降水数据源——ECMWF 再分析、NASA 的卫星降水数据集 IMERG，以及 Google 自己基于卫星雷达的降水再分析，最后一项就是 PARDIG。按 9 月公告的数字，在中期全球预报的评估中，早期预报时效上相对 IMERG 的 CRPS（连续分级概率评分）提升最高达 60%，相对 MRMS 为 30%，相对雨量计为 10%；用户在 Google 产品里安排一天以上的活动时，看到的降水预报准确度最高提升 50%。开发者文档同时写明，这是一套试验性系统，不应作为唯一信息来源，正式预警以各国气象机构为准。
开放之后：无雷达地区的洪水预警被点名
应用方向上，官方帖文点名了三类：在没有地面雷达的地区发出更准确的洪水预警、追踪野火烟雾，以及太阳能。博客的表述更进一步：DeepMind 表示希望和更广泛的研究者与开发者一起探索太阳能电力和野火监测的预报应用，并期待与社区一起探索改进的洪水、山体滑坡和干旱模型，「尤其是没有密集地面雷达网络的地区」。两个数据集也被归入 Google 的 Earth AI 产品组合。
帖文发出当天，回复区出现了两类具体追问。一位用户 问：降水检测的增益在最强的降水事件上是否同样成立？有没有附不确定性估计？「漏掉一场极端风暴和漏掉小雨，后果完全不一样。」另一位用户 则关心商用许可：PARDIG 和 SatWeave 允许商用吗？有没有固定的留出时段，让外部模型能在无数据泄漏的前提下与 WeatherNext 3 对比？
这两问在 DeepMind 的博客里都没有答案。数据已经公开，检验可以从 DeepMind 之外开始。