GraphCast 如何用图神经网络预测未来10天全球天气【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的中程全球天气预报项目它把全球大气栅格化后交给图神经网络学习加载预训练权重后最快几分钟就能产出一份覆盖整个地球、最长 10 天的天气预报。适合两类人想拿AI 天气预报做基线对比的气象研究者以及想在真实天气数据上练手 GNN、扩散模型和 JAX 的开发者。先搞懂两件事为什么要用神经网络做天气预报传统数值预报要靠超算求解大气物理方程组一次全球中程预报动辄跑数小时硬件门槛是国家级气象中心的配置。GraphCast 换了思路不现场解方程而是让模型从几十年历史数据里直接背会大气演化的规律。训练语料是 ECMWF 的 ERA5 再分析数据集GraphCast 用 1979–2017 年的数据模型每次只做一步未来 6 小时的预测然后把这个输出当新输入反复喂回去自回归即让模型用刚算出的结果继续往下算滚动出 1–10 天的完整预报推理时不跑任何物理方程权重加载进内存后就能连续预测代价是它学的是历史气候统计规律而不是物理定律所以官方明确标注这是实验性研究项目输出不能替代任何气象机构的正式预警。从免费 Colab 到 TPU四个 notebook 对应四种跑法仓库自带四个演示入口按硬件条件选一个即可gencast_mini_demo.ipynb——最低门槛。加载GenCast 1p0deg Mini模型1 度分辨率、13 个气压层四个 GenCast 权重中内存占用最小官方说明它可以直接跑在免费 Colab 上能演示加载数据、生成预测、算损失和梯度graphcast_demo.ipynb——GraphCast 本体演示。高分辨率权重0.25 度、37 个气压层建议挂 TPU/GPU 加速纯 CPU 也能跑只是单步预测慢gencast_demo_cloud_vm.ipynb——配合 docs/cloud_vm_setup.md 在 Google Cloud TPU 虚拟机上跑 0.25 度级模型文档里还给了 GPU 推理的注意事项GPU 需要换一种注意力实现想从头训练需要另行下载 ERA5 数据集官方推荐走 Weatherbench2 的 Zarr 数据源这属于重资源操作模型权重、归一化统计量和示例输入都托管在 Google Cloud 的公共存储桶 dm_graphcast 里notebook 会自动拉取不用手动搬运。安装依赖用仓库根目录的 setup.py 配pip install -e .在本地 Jupyter 或 Colab 里均可。上图是仓库自带的评分卡横轴是预报时效天数纵轴是气压层红蓝冷暖色表示 GenCast Mini 与 ECMWF 集合预报ENS在 RMSE均方根误差越小越准和 CRPS分位损失评分衡量集合预报质量上的相对优劣可以直观看出误差随预报天数逐渐累积。它是怎么工作的一图两网加一个生成器GraphCast把全球大气变成一个图全球大气被切成规则网格每个网格点是一个节点携带温度、风速、湿度等变量相邻节点之间连边。图神经网络GNN就是在这样的图上做计算的网络GNN 的核心动作是消息传递每个节点反复向邻居要特征、再把自己的特征发出去几轮之后每个点都融合了周边乃至全球的信息堆上多层网络输入当前 6 小时场输出下一个 6 小时场工程上有两个值得注意的点模型用BFloat16精度运行一种 16 位浮点格式比 32 位省一半显存动态范围和 32 位接近这就是高分辨率权重也能在单张 GPU 上推理的原因多尺度网格之间靠二十面体球面三角网icosahedral mesh做连接相关实现在 graphcast/icosahedral_mesh.py 和 graphcast/grid_mesh_connectivity.pyGenCast用扩散模型做集合预报GenCast 在同样的图骨架上加了一个扩散生成器graphcast/denoiser.py把要预测的天气场加上随机噪声训练网络学会逐步去噪把它还原成未来 6 小时的天气推理时换不同的初始噪声、跑多次就得到一份集合预报——不只给你一个答案还给你一组可能性和不确定度四类人会真正用到它气象研究者拿它当 AI 预报基线与数值模式做误差对比、评分卡诊断RMSE/CRPS、再分析实验AI 工程师与学生在免费 Colab 上完整走一遍加载权重 → 前向预测 → 算损失 → 算梯度的 JAX 训练管线gencast/gencast.py 和 graphcast/graphcast.py 是两个模型的一步步源码气候与行业分析方向电力负荷、光伏出力、农业排期等把 AI 预报当成额外的数据源做融合验证。注意两点限制模型权重按CC BY-NC-SA 4.0协议发布仅限非商业使用项目本身不承接任何官方气象服务责任想上生产环境验证的机构GraphCast_operational 已在 HRES 数据上微调过可从业务分析场初始化适合做AI 模式进业务流程的前置评估代码遵循Apache 2.0许可注意与权重的非商用许可区分开。一个仓库、两套模型、权重免费可下从免费 Colab 到 TPU 集群都有对应跑法。论文引用格式如下GraphCast发表于 Science 2023article{lam2023learning, title{Learning skillful medium-range global weather forecasting}, author{Lam, Remi and others}, journal{Science}, year{2023} }GenCast 的引用见 README.md 的 Citations 一节。入口文件README.md、graphcast_demo.ipynb、gencast_mini_demo.ipynb、docs/cloud_vm_setup.md。【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernext创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/20 15:29:09 · 阅读 1.2k GraphCast 如何用图神经网络预测未来10天全球天气
GraphCast 如何用图神经网络预测未来10天全球天气【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的中程全球天气预报项目它把全球大气栅格化后交给图神经网络学习加载预训练权重后最快几分钟就能产出一份覆盖整个地球、最长 10 天的天气预报。适合两类人想拿AI 天气预报做基线对比的气象研究者以及想在真实天气数据上练手 GNN、扩散模型和 JAX 的开发者。先搞懂两件事为什么要用神经网络做天气预报传统数值预报要靠超算求解大气物理方程组一次全球中程预报动辄跑数小时硬件门槛是国家级气象中心的配置。GraphCast 换了思路不现场解方程而是让模型从几十年历史数据里直接背会大气演化的规律。训练语料是 ECMWF 的 ERA5 再分析数据集GraphCast 用 1979–2017 年的数据模型每次只做一步未来 6 小时的预测然后把这个输出当新输入反复喂回去自回归即让模型用刚算出的结果继续往下算滚动出 1–10 天的完整预报推理时不跑任何物理方程权重加载进内存后就能连续预测代价是它学的是历史气候统计规律而不是物理定律所以官方明确标注这是实验性研究项目输出不能替代任何气象机构的正式预警。从免费 Colab 到 TPU四个 notebook 对应四种跑法仓库自带四个演示入口按硬件条件选一个即可gencast_mini_demo.ipynb——最低门槛。加载GenCast 1p0deg Mini模型1 度分辨率、13 个气压层四个 GenCast 权重中内存占用最小官方说明它可以直接跑在免费 Colab 上能演示加载数据、生成预测、算损失和梯度graphcast_demo.ipynb——GraphCast 本体演示。高分辨率权重0.25 度、37 个气压层建议挂 TPU/GPU 加速纯 CPU 也能跑只是单步预测慢gencast_demo_cloud_vm.ipynb——配合 docs/cloud_vm_setup.md 在 Google Cloud TPU 虚拟机上跑 0.25 度级模型文档里还给了 GPU 推理的注意事项GPU 需要换一种注意力实现想从头训练需要另行下载 ERA5 数据集官方推荐走 Weatherbench2 的 Zarr 数据源这属于重资源操作模型权重、归一化统计量和示例输入都托管在 Google Cloud 的公共存储桶 dm_graphcast 里notebook 会自动拉取不用手动搬运。安装依赖用仓库根目录的 setup.py 配pip install -e .在本地 Jupyter 或 Colab 里均可。上图是仓库自带的评分卡横轴是预报时效天数纵轴是气压层红蓝冷暖色表示 GenCast Mini 与 ECMWF 集合预报ENS在 RMSE均方根误差越小越准和 CRPS分位损失评分衡量集合预报质量上的相对优劣可以直观看出误差随预报天数逐渐累积。它是怎么工作的一图两网加一个生成器GraphCast把全球大气变成一个图全球大气被切成规则网格每个网格点是一个节点携带温度、风速、湿度等变量相邻节点之间连边。图神经网络GNN就是在这样的图上做计算的网络GNN 的核心动作是消息传递每个节点反复向邻居要特征、再把自己的特征发出去几轮之后每个点都融合了周边乃至全球的信息堆上多层网络输入当前 6 小时场输出下一个 6 小时场工程上有两个值得注意的点模型用BFloat16精度运行一种 16 位浮点格式比 32 位省一半显存动态范围和 32 位接近这就是高分辨率权重也能在单张 GPU 上推理的原因多尺度网格之间靠二十面体球面三角网icosahedral mesh做连接相关实现在 graphcast/icosahedral_mesh.py 和 graphcast/grid_mesh_connectivity.pyGenCast用扩散模型做集合预报GenCast 在同样的图骨架上加了一个扩散生成器graphcast/denoiser.py把要预测的天气场加上随机噪声训练网络学会逐步去噪把它还原成未来 6 小时的天气推理时换不同的初始噪声、跑多次就得到一份集合预报——不只给你一个答案还给你一组可能性和不确定度四类人会真正用到它气象研究者拿它当 AI 预报基线与数值模式做误差对比、评分卡诊断RMSE/CRPS、再分析实验AI 工程师与学生在免费 Colab 上完整走一遍加载权重 → 前向预测 → 算损失 → 算梯度的 JAX 训练管线gencast/gencast.py 和 graphcast/graphcast.py 是两个模型的一步步源码气候与行业分析方向电力负荷、光伏出力、农业排期等把 AI 预报当成额外的数据源做融合验证。注意两点限制模型权重按CC BY-NC-SA 4.0协议发布仅限非商业使用项目本身不承接任何官方气象服务责任想上生产环境验证的机构GraphCast_operational 已在 HRES 数据上微调过可从业务分析场初始化适合做AI 模式进业务流程的前置评估代码遵循Apache 2.0许可注意与权重的非商用许可区分开。一个仓库、两套模型、权重免费可下从免费 Colab 到 TPU 集群都有对应跑法。论文引用格式如下GraphCast发表于 Science 2023article{lam2023learning, title{Learning skillful medium-range global weather forecasting}, author{Lam, Remi and others}, journal{Science}, year{2023} }GenCast 的引用见 README.md 的 Citations 一节。入口文件README.md、graphcast_demo.ipynb、gencast_mini_demo.ipynb、docs/cloud_vm_setup.md。【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernext创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考