跳到正文
阿里雲開發者社區 AI·· 3 天前AI 評分60

Google DeepMind 與 Google Research 公開 PARDIG 全球降水數據集,Earth Engine 可直接存取

Google WeatherNext 开源了 PARDIG:一个 15 分钟、10 公里分辨率的全球 AI 降水数据集,Earth Engine 上即可调用

AI 導讀

Google DeepMind 與 Google Research 聯合發布 PARDIG,提供全球 15 分鐘、0.1°(約 10 km)分辨率的 AI 降水估算數據。

正文

2026-11-19 8

版权

版权声明:

本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

简介: PARDIG是Google DeepMind与Research联合发布的AI驱动全球降水数据集(2026年发布),提供1999年至今、15分钟/0.1°(约10km)的降水率,CC BY 4.0许可,免申请直通Earth Engine或GCS。含NRT(2016–今,近实时)与LR(1999–2023,长时序)双版本,单位m/h(需×1000转mm/h),模型上限75 mm/h。

2026 年 11 月,Google DeepMind 与 Google Research 联合发布了 PARDIG(Precipitation AI Reanalysis – Densely Inferred GPM)。这是一个实验性的全球 AI 驱动降水估算数据集,训练目标是 NASA/JAXA GPM Core Observatory 上 CORRA 算法反演的降水条带。PARDIG 以 15 分钟的时间步长和 0.1°(约 10 km) 的空间分辨率提供全球降水率,时间跨度从 1999 年至今,以 CC BY 4.0 许可公开发布,无需申请即可通过 Google Cloud Storage 或 Earth Engine 访问。

PARDIG 同时被用作 WeatherNext 3 的降水训练目标之一(experimental_tp_1hr),技术细节与验证基准可参考其研究论文。对于在 Earth Engine 上进行水文、气候或洪涝分析的科研用户,PARDIG 提供了一个纯云原生、免服务器、即开即用的全球降水长序列入口。

两个变体:NRT 与 LR,怎么选

PARDIG 在 Earth Engine 中以两个独立的 ImageCollection 呈现,核心差异不在“新旧”,而在时间覆盖与输入模态。

属性 PARDIG-NRT(Near-Real-Time) PARDIG-LR(Long-Record)
时间覆盖 2016 年至今(Earth Engine 静态归档至 2026 年 10 月) 1999–2023(静态归档)
空间覆盖 全球(90°S–90°N,0°–360°E) 全球(90°S–90°N,0°–360°E)
空间分辨率 0.1°(约 10 km),1801 × 3600 网格 0.1°(约 10 km),1801 × 3600 网格
时间分辨率 15 分钟(:00、:15、:30、:45 UTC) 15 分钟(:00、:15、:30、:45 UTC)
更新方式 Cloud Storage 每 6 小时更新,有效延迟约 2–8 小时(平均约 5 小时);Earth Engine 上为静态归档 静态历史归档,无实时更新
模型输入 ECMWF HRES(0.1°) + SatWeave 地球静止卫星拼图(0.1°,11 通道) ECMWF ERA5(0.25°) + NOAA GridSat-B1 + 极轨 LEO 被动微波探测器(AMSU-A、MHS、ATMS)
Earth Engine 访问 静态归档:2016 年 1 月–2026 年 10 月 完整 1999–2023 归档

选型原则:如果研究涉及 2016 年以后的业务化应用或低延迟监测,选 PARDIG-NRT;它使用更高分辨率的 ECMWF HRES(0.1°)和 SatWeave 作为输入,在 2016–2023 重叠期内的输入模态也更现代。如果任务是 1999 年起跨越数十年的气候趋势或长期水文重建,则必须使用 PARDIG-LR;它以 ERA5、GridSat-B1 和 LEO 微波探测为输入,时间跨度更长,但输入分辨率较粗(ERA5 为 0.25°)。

波段结构:一个波段,一个单位,一个物理量

PARDIG 在 Earth Engine 中的结构极为简洁:所有变体都只有一个波段 precipitation,单位是 m/h(米/小时) ,像素大小为 11132 米(与 0.1° 网格一致)。| 波段名称 | 单位 | 像素大小 | 描述 ||:--|:--|:--|:--|| precipitation | m/h | 11132 米 | 在 start_time 时刻有效的瞬时降水率 |一个关键的工程注意事项:PARDIG 的降水率上限被模型钳制在 75 mm/h(即 0.075 m/h)。这意味着在极端强降水事件(如热带气旋核心区)中,PARDIG 报告的 75 mm/h 是模型的饱和值,而非观测到的真实瞬时峰值。在洪涝阈值分析或极端事件统计中,需要将这一点纳入方法学考量:PARDIG 长于全球覆盖与时间一致性,短于对超过 75 mm/h 事件的区分能力。由于单位是 m/h,在实际使用中通常需要转换为 mm/h 以便与水文模型、预警阈值或 GPM IMERG 等产品对比。转换只需乘以 1000。

在 Earth Engine 中调用 PARDIG

以下代码示例直接来自 Earth Engine 数据目录中的官方 Snippet 和实操教程,经过实际运行验证。

示例 1:读取 PARDIG-NRT 的单个 15 分钟时间步

// PARDIG-NRT: 单个时间戳的全球降水率var nrt = ee.ImageCollection("projects/gcp-public-data-weathernext/assets/PARDIG_1_NRT");// 选取 2021-05-17 12:00 UTC 的帧var image = nrt.filterDate('2021-05-17T12:00:00', '2021-05-17T12:15:00').first();// 单位转换:m/h → mm/hvar precip_mm_hr = image.select('precipitation').multiply(1000);Map.addLayer(precip_mm_hr,{min: 0, max: 30, palette: ['white', 'blue', 'green', 'yellow', 'red']},'PARDIG-NRT 降水率 (mm/h)');这段代码的核心是 filterDate 精确到 15 分钟窗口,然后用 first() 取出该时刻的全球场。PARDIG-NRT 在 Earth Engine 上的归档是静态的,因此 filterDate 是可复现检索的主要手段。

示例 2:读取 PARDIG-LR 并查看时间覆盖

// PARDIG-LR: 长时间记录归档var lr = ee.ImageCollection("projects/gcp-public-data-weathernext/assets/PARDIG_1_LR");print('LR 时间范围', lr.limit(1).first().get('system:time_start'));print('LR 影像数量', lr.size());PARDIG-LR 在 Earth Engine 上包含 1999–2023 年的完整归档,适合直接对整个 ImageCollection 做时间序列聚合或气候态合成,而不需要手动拼接多个来源。

实操中容易踩到的三个坑

官方文档给出了数据规格,但一些工程细节只有在实际跑代码时才会暴露。一篇基于真实公共存储桶的实操教程记录了以下三点:第一,Python 端 open_zarr 需要显式安装 dask。 PARDIG 在 Google Cloud Storage 上以 Zarr v3 格式发布。如果走 xarray.open_zarr(chunks={}) 路径,缺少 dask 会导致代码直接失败。Earth Engine 用户不受此影响,但若同时做本地/云端混合分析,需要在环境中预先加入 dask。第二,GCSStore 配方需要 Google Cloud 凭据。 教程中提到的匿名 HTTPS 访问方式(obstore.HTTPStore)确实可以不登录 Google 账号、不申请 API 密钥就直接读取公开桶,但官方文档中的某些 GCSStore 代码片段默认你已配置好凭据。两者不是等价路径:匿名 HTTPS 适合快速探索,GCSStore 适合需要认证的正式流水线。第三,xarray 在 method="nearest" 与切片同时使用时可能报错。 正确做法是先选时间,再切空间,而不是在同一个 sel 调用中混用最近邻时间选择和空间切片。这在按事件(如飓风登陆时刻)提取区域降水时尤其需要注意。

PARDIG 在 WeatherNext 体系中的位置

PARDIG 不是一个孤立的降水产品,而是 WeatherNext 生态中的数据基础设施。WeatherNext Graph(已发表为 GraphCast)是基于图神经网络的中期确定性预报模型;WeatherNext Gen(已发表为 GenCast)是基于条件扩散的概率集合预报模型,可生成 50+ 成员、最长 15 天的集合预报,在 TPU v5 上约 8 分钟完成 15 天预报。PARDIG 则为这一体系提供了降水侧的密集推断训练目标与验证基准,使模型不仅能在传统变量(温度、风场、气压)上训练,也能在全球高时空分辨率降水上获得监督信号。对于 Earth Engine 用户,这意味着 PARDIG 的价值不限于“另一个降水数据集”。它是一个与下一代 AI 天气模型同源、同许可、同云基础设施的降水层,可以在同一个 Notebook 中与 WeatherNext 2 的预报场做对比分析,而无需跨越多个数据门户和认证体系。

引用与许可

PARDIG 以 CC BY 4.0 发布,公开可访问,无需申请表单,任何 Google Cloud 账号即可使用。在学术写作中引用 PARDIG 时,应同时引用数据集本身和技术论文:Google DeepMind and Google Research. PARDIG (Precipitation AI Reanalysis – Densely Inferred GPM). Experimental dataset, 2026. Available via Google Cloud Storage (gs://pardig_1/) and Google Earth Engine. License: CC BY 4.0.Global Precipitation Estimates Learned from Sparse Satellite Observations. arXiv:2611.13941. https://arxiv.org/abs/2611.13941一句话总结:PARDIG 把“全球 15 分钟、10 公里降水率”从需要自行拼接多源卫星的工程任务,压缩成了 Earth Engine 里一行 ee.ImageCollection 调用;两个变体分工明确,NRT 负责 2016 年以后的业务化监测,LR 负责 1999 年起的长期气候分析,波段干净、单位明确、许可宽松,唯一的硬边界是 75 mm/h 的模型饱和上限——知道这一点,就能在洪涝与极端降水分析中正确使用它,而不是被它误导。

來源:阿里雲開發者社區 AI · developer.aliyun.com