谷歌DeepMind开放WeatherNext 3数据集：含SatWeave与PARDIG
IT之家 11 月 13 日消息，谷歌 DeepMind 今天正式开放 WeatherNext 3 气象模型所依托的两大基础数据集 SatWeave 与 PARDIG，相应数据集面向全球研究者与开发者提供实时数据流及历史归档，可用于天气、水文、气候及相关下游应用建模。 据介绍，SatWeave 是一套整合多颗静止气象卫
11 月 13 日，谷歌 
DeepMind 把 WeatherNext 3 气象模型依赖的两套基础数据集正式对外开放，分别是 SatWeave 与 PARDIG。全球研究者和开发者都能拿到实时数据流和历史归档，用来做天气、水文、气候以及相关下游应用的建模。
SatWeave 整合了 5 颗静止气象卫星的观测，包括 GOES-East、GOES-West、Meteosat 0、Meteosat 印度洋星和 Himawari，做成一套全球影像拼接产品。不同卫星在地图投影、文件格式、传感器和扫描节奏上原本对不齐，这套数据把差异处理掉了。它每小时更新一次，历史存档超过十年。WeatherNext 3 因此能借助实时云图和风暴动态，生成逐小时的全球预报；传统分析数据一般六小时才刷新一次。谷歌也希望研究社区把它用到太阳能功率预测、野火监测等场景。PARDIG 则是基于 AI 架构的全球降水再分析数据集，用的是和 WeatherNext 3 相似的球形图网格 Transformer 架构。它直接以 NASA 全球降水测量核心观测台的稀疏星载雷达观测作为训练目标，输入为 SatWeave 影像和欧洲中期天气预报中心的大气场。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。
谷歌拿美国、欧洲、日本三大陆基雷达网络和全球 3.6 万余座气象站做了对照评估。结果显示，PARDIG 在所有雨强档位上都好于 NASA IMERG-Final 等主流基线产品；小时级识别轻到中度降水的技巧比 IMERG-Final 高出 30% 以上，捕捉极端降水的能力尤其突出。模型直接从卫星观测中学习，所以在没有地面雷达和雨量计的地区，精度同样可靠。
这次同步放出的还有 1999 年至 2026 年的 PARDIG 历史档案，以及 SatWeave 和 PARDIG 的实时数据流。数据托管在 Google Cloud Storage 上，以 CC BY 4.0 许可开放。
