Google DeepMind Blog

Opening the datasets behind our AI weather models

8.5内容质量
Opening the datasets behind our AI weather models

TL;DR · AI 摘要

Google DeepMind发布两个关键天气数据集SatWeave和PARDIG,为AI天气模型研究提供基础支持。

核心要点

  • SatWeave整合五颗卫星数据,每小时更新17个波段的全球云图
  • PARDIG基于AI算法生成高精度全球降水数据,填补地面观测空白
  • 数据集历史存档超十年,包含实时流数据供研究社区使用

结构提纲

按章节快速跳转。

  1. 阐述全球天气观测的工程挑战及数据集发布的必要性

  2. ·SatWeave技术细节

    解析五颗卫星数据融合方法及17波段全球云图构建机制

  3. ·PARDIG技术架构

    说明AI降水模型的训练方法及全球覆盖能力

  4. 强调数据集对WeatherNext 3模型及下游应用的支撑作用

思维导图

用一张图看清主题之间的关系。

查看大纲文本(无障碍 / 无 JS 友好)
  • AI天气数据集发布
    • SatWeave
      • 五颗卫星数据融合
      • 17波段全球云图
      • 每小时更新
    • PARDIG
      • AI降水模型
      • 全球覆盖
      • 填补观测空白

金句 / Highlights

值得收藏与分享的关键句。

#AI天气模型#数据集#DeepMind#气候科学
打开原文

2026年11月13日 科学

WeatherNext团队

我们发布PARDIG和SatWeave数据集,旨在帮助研究人员和开发者构建新的天气、水文和气候应用。

理解并预测地球的天气和水循环,首先要能够准确观测当前地球状态。地球同步卫星和地面仪器持续以高精度监测着全球情况。但将这些原始观测数据转化为连贯的全球图像,并快速提供可用信息,是重大的科学和工程挑战。

今天,我们发布两个基础数据集SatWeave和PARDIG,支持全球社区开发天气、水文和气候应用。这两个数据集对近期发布的WeatherNext 3模型进步至关重要。SatWeave是地球同步卫星图像的全球拼图,为模型提供实时云层和风暴发展视图。PARDIG是基于AI的全球降水数据集,用于训练模型的降水预测能力。我们开放了这两个数据集的历史存档和实时数据流,使研究人员和开发者能够在建模和下游应用中使用。

SatWeave:来自太空的地球统一视图

SatWeave整合了五颗卫星的图像数据,这些卫星覆盖全球不同区域:GOES-East和GOES-West、Meteosat 0和印度洋Meteosat、Himawari。由于每颗卫星使用不同的地图投影方式、文件格式、传感器和扫描计划(间隔10至30分钟),要形成连贯的全球地图极具挑战性。现有大多数全球合成图像通常会舍弃不兼容的要素,仅提供4个或更少的波段,或每几小时更新一次。

SatWeave将六颗地球同步卫星的观测数据融合,在17个可见光、水汽和红外波段上形成全球拼图。

SatWeave每小时更新一次,使WeatherNext 3能够生成新的全球预测,与依赖每六小时更新一次分析数据的模型形成对比。我们开放了这个每小时实时数据流以及覆盖十年以上的历史存档。

虽然我们在WeatherNext 3的中短期天气预报中使用了SatWeave,但我们期待与更广泛的研究和开发社区合作,探索其在太阳能发电和野火监测等预测应用中的潜力。

PARDIG:全球高精度降水数据

降水影响着从食物和水资源供应到洪水和干旱风险的方方面面,但在全球范围内准确追踪降水仍是重大挑战。尽管地面雷达和密集的雨量监测网络能提供高质量数据,但这些设备并非在所有地区都能获得或具备良好覆盖范围。

为弥补这一差距,我们开发了PARDIG(Precipitation AI Reanalysis: Densely Inferred GPM)。PARDIG基于与WeatherNext 3类似的AI架构,直接使用NASA全球降水测量(GPM)核心观测站提供的稀疏空间雷达观测数据进行训练,输入数据包括来自ECMWF的SatWeave图像和大气场。最终生成的全球降水图具有15分钟时间分辨率和约10公里空间分辨率,更新延迟平均约为5小时。

2025年7月德克萨斯州希尔斯县突发洪水期间的小时降雨量对比:地面NOAA MRMS雷达(左,~1公里)与近实时PARDIG(中,~10公里)和IMERG-Final(右,~10公里)。

我们已在美国、欧洲和日本的三个大陆雷达网络以及全球36,000多个气象站对PARDIG进行了评估。在所有分析的降雨强度中,PARDIG的表现均优于领先的全球基准模型,包括NASA的IMERG-Final——这是一个对无数应用都至关重要的高质量降水估计数据集。在轻度至中度降水检测方面,PARDIG相比IMERG-Final的小时降水检测能力提升了超过30%。在极端降水捕捉方面,PARDIG表现出特别显著的效果,而这对现有全球产品来说往往具有挑战性。

2016年至2023年期间,针对美国、欧洲和日本的地面雷达网络,对小时降水检测能力(临界成功指数)进行的评估。降水强度阈值以对数尺度从0.2至25 mm/h绘制,图中轴线标注了轻度(0.3 mm/h)、中度(2.5 mm/h)和重度(20 mm/h)。

由于PARDIG直接从卫星数据中学习,而非仅依赖地面观测,我们预计其在全球范围内的准确性都具有可靠性,即使在缺乏地面观测数据的地区也是如此。

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。虽然WeatherNext 3曾使用PARDIG进行中短期天气预报,但我们期待与社区合作,探索改进洪水、滑坡和干旱模型的新方法,特别是在缺乏密集地面雷达网络的地区。

构建天气与气候生态系统

SatWeave和PARDIG的实时及历史数据集现已在Google Cloud Storage上公开提供。PARDIG的历史数据集也可在Google Earth Engine中获取。作为Google Earth AI系列的最新成果,我们希望这些数据集能帮助全球研究人员开辟新的途径,将天气观测与关键的实际应用联系起来。

了解更多

致谢

本项目由Google DeepMind和Google Research的团队联合开发,并与Google Cloud和Google Geo合作完成。我们感谢那些通过开放卫星计划和数据集使本研究成为可能的组织,包括ECMWF、NASA、JAXA、NOAA、EUMETSAT、KMA、JMA、KNMI和Synoptic Data。