GraphCast 天气预测图神经网络驱动全球中程天气预报的完整指南【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的机器学习天气预测项目用图神经网络为地球大气建模一次跑出覆盖全球的中程天气预报预训练权重和演示笔记本开箱即用。为什么传统中程天气预报这么费劲传统数值天气预报要在超级计算机上解算大量偏微分方程全球 0.25° 分辨率跑一遍往往就是小时级起步而你想验证一个新想法时通常得先排队等算力。更麻烦的是传统模式给出的往往是唯一答案缺少对不确定性的量化——但对用户来说气温在 18–22°C 之间、20°C 概率最大远比明天 20°C这类单点结论更有用。调一次参数、重跑一次预报成本又高得吓人。对没有超算资源的学生和小团队这条门槛几乎跨不过去。不同分辨率模型怎么选7 个预训练版本资产清单这个仓库同时提供两条模型路线确定性的 GraphCast图神经网络架构和概率性的 GenCast基于扩散模型共 7 个预训练版本配套模型权重、标准化统计数据和示例输入数据存放在 Google Cloud 的对象存储桶中下载后直接加载。使用路径也很明确gencast_mini_demo.ipynb和graphcast_demo.ipynb两个演示笔记本覆盖了加载数据、生成预测、计算损失和梯度的全流程。模型分辨率气压层定位GraphCast0.25°37论文原版高精度研究GraphCast_small1°13低资源环境快速运行GraphCast_operational0.25°13面向业务可从 HRES 分析场直接初始化GenCast 0p25deg0.25°13高分辨率集合预报GenCast 0p25deg Operational0.25°13业务微调版用 HRES-fc0 数据微调GenCast 1p0deg1°13更低的内存与显存占用GenCast 1p0deg Mini1°13最小规格免费 Colab 即可运行GraphCast 三个版本在 ERA5 再分析数据1979 年起上训练GenCast 系列以 1979–2018 年的 ERA5 为训练数据两个 Operational 版本另用 ECMWF 的 HRES 业务数据做了微调。如果你要做完整训练需要按 README 的说明从 ECMWF / Weatherbench2 获取 ERA5 数据并留意相关数据的许可条款。核心原理把大气装进一张图再让它自己推演GraphCast 的做法是把地球大气离散到球面网格上再把网格点连成一张图graph每个网格点是一个节点相邻节点之间是边。图神经网络GNN的工作方式是消息传递——每个节点把自己的状态温度、气压、风速等告诉邻居收集邻居的信息后再更新自己如此迭代几轮。可以理解为让全球几十万个网格点开了一次碰头会会开完每个点的下一时刻状态就被推演出来了一步通常对应 6 小时预报。要得到 10 天的预报就把模型输出再作为输入喂回去循环十几次这个过程叫自回归展开。代码里 autoregressive.py 负责训练时可微的版本rollout.py 负责推理时的快速版本。整个模型以 BFloat16 精度计算一种 16 位浮点格式精度损失小、速度快、显存省这也是它比传统模式快得多的原因之一论文中在 TPU 上跑 10 天全球预报约 15 分钟而传统模式通常是小时级。GenCast 换了个思路它不追求猜中一个答案而是用扩散模型一种从噪声中逐步雕刻出结果的生成式模型一次生成一组彼此不同的未来比如 8 到 50 个集合成员。对天气这种混沌系统概率分布比单点答案更有用GenCast 输出的正是这种预报。采样器采用 DPM-Solver 2S一种加速扩散采样的数值求解器实现在 dpm_solver_plus_plus_2s.py。上手体验免费 Colab 三分钟跑通第一次天气预测最低门槛把gencast_mini_demo.ipynb放进 ColabGoogle 的免费在线笔记本环境运行。GenCast Mini 就是为免费额度设计的从加载示例数据、生成预测到计算损失和梯度全部在浏览器里完成想体验 GraphCast打开graphcast_demo.ipynb路径完全一样。本地或云端跑大模型的话先把仓库拉下来git clone https://gitcode.com/GitHub_Trending/gr/graphcast然后按 docs/cloud_vm_setup.md 启动一台 TPU VM再用gencast_demo_cloud_vm.ipynb加载 0.25° 或 1° 的完整模型。官方文档给出了实测成本v5e TPU 上跑一次 1° 模型 30 步展开约 0.11–0.48 美元0.25° 模型在 v5p 上约 0.5–2.2 美元编译完成后。如果想在本地复现Colab 还支持连接到本地 Jupyter 运行时文档里附了完整步骤。真实场景AI 天气预报能替谁干什么气象业务值班——当你需要从 ECMWF HRES 分析场出发的预报产品时GraphCast_operational 和 GenCast Operational 就是为这类场景微调的直接从 HRES 数据初始化、不需要降水等附加输入一次中程预报的耗时从小时级压缩到分钟级。研究与教学——研究者想验证一个新模块比如新的注意力结构或损失函数过去要等超算队列现在在 TPU 上十几分钟就能完成一轮10 天预报 评估的循环学生用免费 Colab 跑通 GenCast Mini零硬件成本就能接触图神经网络加天气这一交叉方向。能源与农业运营——电网调度需要提前 2–10 天预估风功率和光伏出力曲线GenCast 这类集合预报给出的概率区间正好能用于风险评估不是赌一个值而是按分布做备用容量决策。农业侧同理连续多日的温度与降水概率区间比单点预报更适合安排种植和灌溉。亮点与局限选型前该知道的 5 件事值得肯定的双路线覆盖确定性 GNNGraphCast加扩散集合GenCast单点预报和概率预报都能满足资产齐全权重、标准化统计、示例数据、Colab 演示、云端部署文档一条龙你不用自己造轮子规格梯度合理从免费 Colab 可跑的 Mini 到 0.25°/37 层完整版按预算和显存挑代码模块化GNN、稀疏 Transformer、采样器、损失函数各自独立成文件方便你改精度经过检验论文评测中 GraphCast 的中程预报精度超过当时最好的传统集合预报 ENS需要留意的限制模型权重是 CC BY-NC-SA 4.0 许可代码是 Apache 2.0商业使用前要先看清权重条款官方定位是实验性研究项目明确声明不替代官方气象机构发布的预警和通告Mini 版仅供演示精度不代表完整 GenCast 水平官方评分卡里能看到它与 ENS 的差距GPU 推理比 TPU 慢且精度略低0.25° 模型 30 步展开 TPU 约 8 分钟H100 上约 25 分钟RMSE 平均差约 0.3%下一步一条命令拉取仓库跑通第一次预报GraphCast 加 GenCast 是目前预训练权重加完整源码加云端成本说明最齐全的天气预测开源项目Mini 版几分钟跑通第一轮预报完整版适合认真做研究。建议路线先用 Colab 跑gencast_mini_demo.ipynb确认流程再按 docs/cloud_vm_setup.md 上 TPU 跑完整分辨率权重与示例数据在 README 指向的 Google Cloud 存储桶中论文信息见下。article{lam2023learning, title{Learning skillful medium-range global weather forecasting}, author{Lam, Remi and Sanchez-Gonzalez, Alvaro and Willson, Matthew and Wirnsberger, Peter and Fortunato, Meire and Alet, Ferran and Ravuri, Suman and Ewalds, Timo and Eaton-Rosen, Zach and Hu, Weihua and others}, journal{Science}, volume{382}, number{6677}, pages{1416--1421}, year{2023}, publisher{American Association for the Advancement of Science} } article{price2023gencast, title{GenCast: Diffusion-based ensemble forecasting for medium-range weather}, author{Price, Ilan and Sanchez-Gonzalez, Alvaro and Alet, Ferran and Andersson, Tom R and El-Kadi, Andrew and Masters, Dominic and Ewalds, Timo and Stott, Jacklynn and Mohamed, Shakir and Battaglia, Peter and Lam, Remi and Willson, Matthew}, journal{arXiv preprint arXiv:2312.15796}, year{2023} }【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 GraphCast 天气预测：图神经网络驱动全球中程天气预报的完整指南
GraphCast 天气预测图神经网络驱动全球中程天气预报的完整指南【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的机器学习天气预测项目用图神经网络为地球大气建模一次跑出覆盖全球的中程天气预报预训练权重和演示笔记本开箱即用。为什么传统中程天气预报这么费劲传统数值天气预报要在超级计算机上解算大量偏微分方程全球 0.25° 分辨率跑一遍往往就是小时级起步而你想验证一个新想法时通常得先排队等算力。更麻烦的是传统模式给出的往往是唯一答案缺少对不确定性的量化——但对用户来说气温在 18–22°C 之间、20°C 概率最大远比明天 20°C这类单点结论更有用。调一次参数、重跑一次预报成本又高得吓人。对没有超算资源的学生和小团队这条门槛几乎跨不过去。不同分辨率模型怎么选7 个预训练版本资产清单这个仓库同时提供两条模型路线确定性的 GraphCast图神经网络架构和概率性的 GenCast基于扩散模型共 7 个预训练版本配套模型权重、标准化统计数据和示例输入数据存放在 Google Cloud 的对象存储桶中下载后直接加载。使用路径也很明确gencast_mini_demo.ipynb和graphcast_demo.ipynb两个演示笔记本覆盖了加载数据、生成预测、计算损失和梯度的全流程。模型分辨率气压层定位GraphCast0.25°37论文原版高精度研究GraphCast_small1°13低资源环境快速运行GraphCast_operational0.25°13面向业务可从 HRES 分析场直接初始化GenCast 0p25deg0.25°13高分辨率集合预报GenCast 0p25deg Operational0.25°13业务微调版用 HRES-fc0 数据微调GenCast 1p0deg1°13更低的内存与显存占用GenCast 1p0deg Mini1°13最小规格免费 Colab 即可运行GraphCast 三个版本在 ERA5 再分析数据1979 年起上训练GenCast 系列以 1979–2018 年的 ERA5 为训练数据两个 Operational 版本另用 ECMWF 的 HRES 业务数据做了微调。如果你要做完整训练需要按 README 的说明从 ECMWF / Weatherbench2 获取 ERA5 数据并留意相关数据的许可条款。核心原理把大气装进一张图再让它自己推演GraphCast 的做法是把地球大气离散到球面网格上再把网格点连成一张图graph每个网格点是一个节点相邻节点之间是边。图神经网络GNN的工作方式是消息传递——每个节点把自己的状态温度、气压、风速等告诉邻居收集邻居的信息后再更新自己如此迭代几轮。可以理解为让全球几十万个网格点开了一次碰头会会开完每个点的下一时刻状态就被推演出来了一步通常对应 6 小时预报。要得到 10 天的预报就把模型输出再作为输入喂回去循环十几次这个过程叫自回归展开。代码里 autoregressive.py 负责训练时可微的版本rollout.py 负责推理时的快速版本。整个模型以 BFloat16 精度计算一种 16 位浮点格式精度损失小、速度快、显存省这也是它比传统模式快得多的原因之一论文中在 TPU 上跑 10 天全球预报约 15 分钟而传统模式通常是小时级。GenCast 换了个思路它不追求猜中一个答案而是用扩散模型一种从噪声中逐步雕刻出结果的生成式模型一次生成一组彼此不同的未来比如 8 到 50 个集合成员。对天气这种混沌系统概率分布比单点答案更有用GenCast 输出的正是这种预报。采样器采用 DPM-Solver 2S一种加速扩散采样的数值求解器实现在 dpm_solver_plus_plus_2s.py。上手体验免费 Colab 三分钟跑通第一次天气预测最低门槛把gencast_mini_demo.ipynb放进 ColabGoogle 的免费在线笔记本环境运行。GenCast Mini 就是为免费额度设计的从加载示例数据、生成预测到计算损失和梯度全部在浏览器里完成想体验 GraphCast打开graphcast_demo.ipynb路径完全一样。本地或云端跑大模型的话先把仓库拉下来git clone https://gitcode.com/GitHub_Trending/gr/graphcast然后按 docs/cloud_vm_setup.md 启动一台 TPU VM再用gencast_demo_cloud_vm.ipynb加载 0.25° 或 1° 的完整模型。官方文档给出了实测成本v5e TPU 上跑一次 1° 模型 30 步展开约 0.11–0.48 美元0.25° 模型在 v5p 上约 0.5–2.2 美元编译完成后。如果想在本地复现Colab 还支持连接到本地 Jupyter 运行时文档里附了完整步骤。真实场景AI 天气预报能替谁干什么气象业务值班——当你需要从 ECMWF HRES 分析场出发的预报产品时GraphCast_operational 和 GenCast Operational 就是为这类场景微调的直接从 HRES 数据初始化、不需要降水等附加输入一次中程预报的耗时从小时级压缩到分钟级。研究与教学——研究者想验证一个新模块比如新的注意力结构或损失函数过去要等超算队列现在在 TPU 上十几分钟就能完成一轮10 天预报 评估的循环学生用免费 Colab 跑通 GenCast Mini零硬件成本就能接触图神经网络加天气这一交叉方向。能源与农业运营——电网调度需要提前 2–10 天预估风功率和光伏出力曲线GenCast 这类集合预报给出的概率区间正好能用于风险评估不是赌一个值而是按分布做备用容量决策。农业侧同理连续多日的温度与降水概率区间比单点预报更适合安排种植和灌溉。亮点与局限选型前该知道的 5 件事值得肯定的双路线覆盖确定性 GNNGraphCast加扩散集合GenCast单点预报和概率预报都能满足资产齐全权重、标准化统计、示例数据、Colab 演示、云端部署文档一条龙你不用自己造轮子规格梯度合理从免费 Colab 可跑的 Mini 到 0.25°/37 层完整版按预算和显存挑代码模块化GNN、稀疏 Transformer、采样器、损失函数各自独立成文件方便你改精度经过检验论文评测中 GraphCast 的中程预报精度超过当时最好的传统集合预报 ENS需要留意的限制模型权重是 CC BY-NC-SA 4.0 许可代码是 Apache 2.0商业使用前要先看清权重条款官方定位是实验性研究项目明确声明不替代官方气象机构发布的预警和通告Mini 版仅供演示精度不代表完整 GenCast 水平官方评分卡里能看到它与 ENS 的差距GPU 推理比 TPU 慢且精度略低0.25° 模型 30 步展开 TPU 约 8 分钟H100 上约 25 分钟RMSE 平均差约 0.3%下一步一条命令拉取仓库跑通第一次预报GraphCast 加 GenCast 是目前预训练权重加完整源码加云端成本说明最齐全的天气预测开源项目Mini 版几分钟跑通第一轮预报完整版适合认真做研究。建议路线先用 Colab 跑gencast_mini_demo.ipynb确认流程再按 docs/cloud_vm_setup.md 上 TPU 跑完整分辨率权重与示例数据在 README 指向的 Google Cloud 存储桶中论文信息见下。article{lam2023learning, title{Learning skillful medium-range global weather forecasting}, author{Lam, Remi and Sanchez-Gonzalez, Alvaro and Willson, Matthew and Wirnsberger, Peter and Fortunato, Meire and Alet, Ferran and Ravuri, Suman and Ewalds, Timo and Eaton-Rosen, Zach and Hu, Weihua and others}, journal{Science}, volume{382}, number{6677}, pages{1416--1421}, year{2023}, publisher{American Association for the Advancement of Science} } article{price2023gencast, title{GenCast: Diffusion-based ensemble forecasting for medium-range weather}, author{Price, Ilan and Sanchez-Gonzalez, Alvaro and Alet, Ferran and Andersson, Tom R and El-Kadi, Andrew and Masters, Dominic and Ewalds, Timo and Stott, Jacklynn and Mohamed, Shakir and Battaglia, Peter and Lam, Remi and Willson, Matthew}, journal{arXiv preprint arXiv:2312.15796}, year{2023} }【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