谷歌DeepMind开放天气AI背后的两套数据：用一颗卫星的稀疏雷达“教会”AI画出全球每15分钟的降雨图

地球上大部分地方，其实没人准确知道此刻下了多少雨。海洋上没有雨量计，很多国家和地区也没有密集的地面雷达。现在，谷歌DeepMind把一套用AI“补全”出来的全球降雨图免费放了出来：大约每10公里一个格点，每15分钟一张，从1999年一直到今天。

北京时间11月13日晚，谷歌DeepMind发布了两套数据集，SatWeave和PARDIG。它们是今年8月发布的天气预报模型WeatherNext 3背后的两块关键原料，以前只在谷歌内部使用，现在对研究人员和开发者开放，历史档案和实时数据流都有。

先说SatWeave。它把美国、欧洲和日本等运营的六颗静止气象卫星的画面拼成一张全球图，包含可见光、水汽和红外共17个通道，每小时更新一次，历史档案超过十年。这件事听起来像简单拼图，但意义在于速度：传统天气模型通常要等每6小时更新一次的“大气分析场”才能开算，而WeatherNext 3直接吃这张每小时刷新的卫星图，所以能每小时出一版新的全球预报。

更有意思的是PARDIG。测降雨最准的工具之一，是美国航天局和日本宇宙航空研究开发机构合作的GPM核心观测卫星上的降水雷达。它的问题是太“窄”：一颗卫星绕着地球转，每次只能扫过一条带子，绝大多数地方大部分时间都没被它看到。DeepMind的做法是，让AI把这些零散的雷达扫描当“标准答案”，同时看SatWeave的卫星云图和欧洲中期天气预报中心的大气数据，学会“看到这样的云和大气状态，地面大概在下多大的雨”。学会之后，即使雷达不在头顶，AI也能根据云图推算出降雨。

打个比方：就像一位老师每天只能抽查班上几个学生的作业，但抽查得非常仔细；AI把这些抽查结果和全班的日常表现对照着学，最后能比较准地估出每个学生的真实水平。

效果如何？DeepMind说，他们拿美国、欧洲和日本三套地面雷达网，以及全球超过3.6万个气象站检验了PARDIG。谷歌开发者文档给出的数字是：用PARDIG训练的WeatherNext 3降水预报模块，在提前量较短时，概率预报误差比用美国航天局常用降水产品IMERG训练的版本低约15%，比WeatherNext 2低约30%。数据延迟平均约5小时，而那些用地面雨量计校准过的研究级降雨数据，往往要晚好几个月才出来。

它比现有做法新在哪？过去的全球降雨数据，要么来得快但不够准，要么够准但要等几个月；在没有地面雷达的海洋和欠发达地区，误差更大。PARDIG试图用AI同时做到“快”和“准”，而且因为学的是太空雷达而不是地面雨量计，它在海洋、热带和地面设施稀少的地区也能保持同样水准。数据采用CC BY 4.0许可，有谷歌云账号就能直接下载，不用申请。

对普通人来说，这不会马上变成手机上的新天气App。但洪水预警、山体滑坡监测、干旱评估、农业保险，这些都离不开“哪里下了多少雨”这个最基本的数字。DeepMind说，希望和各国研究者一起，把它用在洪水、滑坡和干旱模型上，特别是那些没有密集地面雷达的地区。对这些地方来说，一张每15分钟更新、免费、覆盖全球的降雨图，可能是第一次有了像样的“雨量底账”。

原文发布时间：Google DeepMind，北京时间2026年11月13日 20:00／美国东部时间2026年11月13日 07:00（EST）