WeatherNext 2是什么
WeatherNext 2是谷歌旗下DeepMind与Google Research联合推出了新一代AI天气预报模型。模型采用Functional Generative Network（FGN）架构，运算速度较前代提升约8倍，可生成每小时分辨率的精细化预报。能从单一初始状态推演出数百种可能的天气情景，每条推演在单个TPU上仅需不到一分钟。在0至15天的预报时段中，WeatherNext 2在99.9%的气象变量（如温度、风速、湿度等）上全面超越前代。
WeatherNext 2的主要功能
- 高精度天气预测：能生成每小时分辨率的精细化预报，覆盖从0到15天的预测时段，在温度、风速、湿度等多种气象变量上全面超越前代模型。
- 快速运算：采用创新的“函数生成网络”架构，运算速度较前代提升约8倍，单次预测在单个TPU上耗时不到一分钟。
- 多情景推演：可从单一初始状态推演出数百种可能的天气发展情景，为气象研究和灾害预警提供更全面的参考。
- 低概率事件预测：精准预测低概率的灾难性天气事件，如台风、强降雨等，提升对极端天气的预警能力。
- 数据平台整合：预测数据已上线Earth Engine和BigQuery平台，方便研究人员和开发者获取和使用。
- 云服务支持：Google Cloud的Vertex AI平台启动了定制模型推理的早期访问计划，支持用户根据自身需求进行定制化预测。
- 多场景应用：已整合至Google Search、Gemini、Pixel Weather以及Google Maps Platform的Weather API，并将在未来几周进一步应用于Google Maps的天气信息，为用户提供更便捷的天气查询服务。
WeatherNext 2的技术原理
- 函数空间的噪声注入：FGN通过在函数空间中注入低维噪声向量（如32维），并通过条件归一化层将噪声应用于整个网络，从而生成全局一致的变异性。这种机制使模型能从单一输入生成数百种可能的天气情景，且保持物理上的合理性。
- 图神经网络架构：FGN采用图神经网络（GNN）编码器/解码器结构，将经纬度网格映射到球面二十面体网格上的潜在空间，使用Graph-Transformer处理器在该网格上操作。这种架构有助于捕捉复杂的气象变量之间的空间依赖性。
- 多阶段训练策略：FGN的训练分为多个阶段，包括使用ERA5数据进行预训练和使用HRES-fc0数据进行微调。最后阶段包含自回归训练，模型进行多步滚动预测并计算损失，以优化预测性能。
- 边缘与联合分布预测：尽管FGN仅在边缘分布（如温度、风速等单一变量）上进行训练，但其能通过学习捕捉联合分布（即多个变量之间的复杂相互作用）。这使模型能生成更全面、更准确的天气预测。
- 高分辨率与快速预测：FGN模型能生成每小时分辨率的精细化预报，并且在单个TPU上进行单次预测的耗时不到一分钟。这种高速度和高分辨率的预测能力显著提升了天气预报的效率。
WeatherNext 2的项目地址
- 项目官网：https://deepmind.google/science/weathernext/
WeatherNext 2的应用场景
- 消费者端天气服务：WeatherNext 2已集成至Google Search、Gemini、Pixel Weather等服务中，为用户提供更准确、高分辨率的天气预报。
- 开发者与企业应用：其预测数据已上线Earth Engine和BigQuery平台，并通过Google Cloud的Vertex AI平台提供早期访问计划，供开发者和企业进行定制化模型推理。这使得企业和开发者能够基于高精度天气数据开发定制化应用，如优化物流路线、管理供应链等。
- 气象机构与灾害预警：通过提供数百种可能的天气情景，WeatherNext 2能帮助气象机构进行多情境分析，提前识别极端天气事件，提升应急响应效率。
- 能源与农业领域：模型可用于优化可再生能源的利用，如风能和太阳能的调度，提升电网稳定性。同时，其中期天气预报能力也适用于农业规划，帮助农民制定种植和收获计划。
- 科学研究与数据共享：WeatherNext 2的开放性使研究人员能够获取高精度天气数据，进一步推动气象学研究和相关领域的创新。