把地球拉远。赤道上方三万六千公里的轨道上，几颗静止气象卫星各自守着一块天空，每十分钟扫一次云顶，把看见的东西发回地面。地面雷达只能罩住几十公里一个圆，再远就是盲区；雨量计摆在那儿，稀疏得像撒在草原上的点。
追预报最难的一环从来不是算，是看。传统分析数据每六小时才刷新一次，而一场强对流的生命周期，常常比这个间隔还短。预报失手的很多时候，不是模型不够好，是它根本没看清。
我的判断有三句：天气预报的下限由观测决定，上限才由算法决定；把观测喂给模型的手法，跟模型本身一样值钱；真正能推动公平的那块拼图，从来是数据，不是算力。
五颗卫星，拼成一颗全球的眼睛
SatWeave 干的就是这件事。它把 GOES-East、GOES-West、Meteosat 0、Meteosat 印度洋星和 Himawari 这 5 颗卫星的观测，拼成一份全球统一的影像产品。
这五颗星来自不同机构，地图投影不一样、文件格式不一样、传感器不一样，连扫描的节奏都有快有慢。SatWeave 把这些差异一项项抹平，拼出一颗一睁眼就对着整个地球的眼睛。
这颗眼睛是活的：整份产品每小时更新，还带着十余年的历史存档。曾几何时，预报员要在几块屏幕之间来回切换、手工拼接；如今这份活交给了流水线。看的半径变大，出错的缝就变少。
一小时和六小时，差在时效
传统分析数据六小时一刷，SatWeave 一小时就刷一遍。听上去只是改了个数字，落到实处是：差的那几个小时，恰好是天气变化最快的一截。
WeatherNext 3 靠这份每小时一新的影像，对着实时云图与风暴动态，逐小时输出全球预报。它不是把赌注全押在算力上，而是让模型第一次有机会跟着天气一起走。
我的判断是：精度很多时候不是模型学出来的，是被数据的刷新速度撑出来的。六小时前的分析场，喂给再聪明的模型，它也答不出过去五小时里新长出来的那场雨。
没有雷达的国家，也拿到可靠的降水数据
拼图只是第一步，更难得的是让没有雷达的地方也能测雨。PARDIG 这份全球降水再分析数据集，用的是与 WeatherNext 3 相近的球形图网格 Transformer 架构。
它的训练目标不是地面站点，而是 NASA 全球降水测量核心台上稀疏的星载雷达观测；输入是 SatWeave 影像与 ECMWF（欧洲中期天气预报中心）的大气场。空间分辨率约 10 公里，时间分辨率 15 分钟，平均延迟约 5 小时。
沿海的小国、高原的内陆、辽阔的岛链，过去能拿到的降水画面都模糊。PARDIG 绕过盖不齐的地面站网，直接从天上取。它的意义不在实验室里的数字，而在于把「测不到」三个字，从很多地方的地图上删掉了。
这些地方往往也是最缺气象预算的地方。没有雷达网，就排不进数值预报的同一条流水线，只能看邻国的粗网格，或者凭经验。一份 10 公里、15 分钟的公开数据，把门槛从「建一座雷达站」降到了「买一台能上网的电脑」。
三万多座
气象站，来当那把尺子
数据好不好，得拿尺子量。DeepMind 拿美、欧、日三大陆基雷达网络，和全球 3.6 万余座气象站做对照。在所有雨强档位上，PARDIG 都优于 NASA IMERG-Final 这类主流基线。
对轻到中度降水的小时级识别技巧，比 IMERG-Final 提升 30% 以上，极端降水的捕捉尤其突出。能赢过一个用了多年、被反复验证的产品，靠的不是更聪明的模型，而是直接从卫星观测学，绕开了对地面站网的依赖。
它把「数据源自哪」这件事的回报，摆在了明面上。
开源，是
把数据当成公共物品
这条消息里最重的字，藏在末尾那串许可里：PARDIG 的 1999 到 2026 年历史档案，加上两套数据集的实时数据流，托管在 Google Cloud Storage，采用 CC BY 4.0。任何人署名之后，都能拿去用、改、再分享。
一家巨头的预报产品可以各有各的门道，但这份数据摊开给了所有人。我的判断再加一条：天气预报这门行业，几十年里真正的门槛从来是数据，不是代码。
把模型锁起来，别人三年能追平；把数据公开，第二个人就能省下三年。开放的数据，相当于替全行业平摊了最贵的那笔成本。而且它是活的：历史档案给研究者当底料，实时流给应用当燃料。
更多人，站在同一片数据上
开放的价值不在实验室里统计，在小团队和小机构身上。太阳能电站算发电功率、环保部门盯野火灾情，都不需要自己的卫星和雷达网，过去不是花钱买数据，就是干瞪眼。
现在一份 10 公里、15 分钟节奏的降水序列摆在公开仓库里，谁都能取。读得懂格式，就能在别人看不见的角落，造出自己家用的工具。省下的不只是采购费，还有试错的底气。
把数据当公共物品，不是让谁吃亏，是让整条河的水位一起涨起来。上一回改变全球预报格局的，是海量观测仪器的铺开；这一回改变格局的，也许是那句摊开给所有人的许可。地球的天气重新排布过无数遍，而看见它的能力，头一回这样便宜。
