GraphCast 全球中期天气预报开源工具图神经网络如何把 10 天预报跑进笔记本【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的全球中期天气预报工具包内置 GraphCast、GenCast 两套预训练模型的权重、归一化统计数据和可直接运行的演示 Notebook。它对想做 AI 气象研究、想快速上手天气大模型的新手和科研人员很友好。一、超算跑不动的日常需求GraphCast 用深度学习填上了传统数值天气预报NWP求解一整套物理方程通常要超算集群跑数小时才能出一个全球预报个人和小团队基本只能拿机构现成的结果做二次加工。而很多实际需求——对比验证、快速实验、教学演示——并不需要动用超算只需要一个能在普通硬件上跑起来的预报模型。GraphCast 提供 7 个预训练模型从 0.25 度高分辨率到 1 度低分辨率其中 Mini 级别明确设计为能在免费 Colab Notebook 里运行。二、不写物理方程让模型从 40 年大气数据里学规律GraphCast 的路子不是手工推导大气方程而是让神经网络从历史数据里学大气状态如何随时间演化。它把全球网格上各个位置的变量37 个气压层的风、温度、湿度等组织成一张图位置是节点相邻关系的连线是边图神经网络GNN就像节点之间互相传话把远处系统的信息传到你关心的地方。传统全球网格在经度 0 度处会对不接为此项目内置了三角剖分网格工具grid_mesh_connectivity.py、icosahedral_mesh.py把数据搬到没有接缝的网格上再建模。预测时走自回归每预测一步就把结果喂回模型再推下一步autoregressive.py 封装了这套逻辑最多可连续外推 10 天。GenCast 则用扩散模型Diffusion Model一种从噪声里逐步去噪生成结果的生成模型一次生成多个预报成员给出带概率性质的集合预报而不是单一答案。三、三个你可以直接上手的用法AI 气象研究与验证用 0.25 度、37 层气压层的 GraphCast 高分辨率模型在 1979–2017 年 ERA5 数据上训练拿它和数值模式做同场对比省掉自己搭超算的开销。能源、农业的中期调度中期3–10 天预报正是风电源计划、农事安排的决策窗口GenCast 一次输出多个预报成员能直接算出降水或高温的概率分布而不只是一个点值。零成本入门实验gencast_mini_demo.ipynb在免费 Colab 里加载数据、生成预测、算损失、算梯度整条链路走完适合第一次接触天气模型的人。四、为什么说它对新手足够友好JAX 生态、模块化结构核心架构在 graphcast.py自回归、归一化、损失等组件独立封装想改哪块读哪块。BFloat16 精度casting.py让模型用 BFloat16 运行显存需求直接减半消费级硬件也能跑低分辨率版本。权重开箱即用7 个模型GraphCast 3 个 GenCast 4 个的权重和统计数据全部随包提供不用自己从零训练。从免费 Notebook 到 TPU 都有路径仓库自带 3 个演示 Notebookdocs/cloud_vm_setup.md 还写清了 TPU 的内存和成本估算。如果你想在本地跑再连回 Colab按文档连接本地运行时即可拿起来试试执行git clone https://gitcode.com/GitHub_Trending/gr/graphcast打开graphcast_demo.ipynb就能看到第一张全球预报图。需要说明的是项目属于实验性研究代码模型权重为 CC BY-NC-SA 4.0 授权商用场景请注意许可条款。论文引用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} }【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 全球中期天气预报开源工具：图神经网络如何把 10 天预报跑进笔记本
GraphCast 全球中期天气预报开源工具图神经网络如何把 10 天预报跑进笔记本【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernextGraphCast 是 Google DeepMind 开源的全球中期天气预报工具包内置 GraphCast、GenCast 两套预训练模型的权重、归一化统计数据和可直接运行的演示 Notebook。它对想做 AI 气象研究、想快速上手天气大模型的新手和科研人员很友好。一、超算跑不动的日常需求GraphCast 用深度学习填上了传统数值天气预报NWP求解一整套物理方程通常要超算集群跑数小时才能出一个全球预报个人和小团队基本只能拿机构现成的结果做二次加工。而很多实际需求——对比验证、快速实验、教学演示——并不需要动用超算只需要一个能在普通硬件上跑起来的预报模型。GraphCast 提供 7 个预训练模型从 0.25 度高分辨率到 1 度低分辨率其中 Mini 级别明确设计为能在免费 Colab Notebook 里运行。二、不写物理方程让模型从 40 年大气数据里学规律GraphCast 的路子不是手工推导大气方程而是让神经网络从历史数据里学大气状态如何随时间演化。它把全球网格上各个位置的变量37 个气压层的风、温度、湿度等组织成一张图位置是节点相邻关系的连线是边图神经网络GNN就像节点之间互相传话把远处系统的信息传到你关心的地方。传统全球网格在经度 0 度处会对不接为此项目内置了三角剖分网格工具grid_mesh_connectivity.py、icosahedral_mesh.py把数据搬到没有接缝的网格上再建模。预测时走自回归每预测一步就把结果喂回模型再推下一步autoregressive.py 封装了这套逻辑最多可连续外推 10 天。GenCast 则用扩散模型Diffusion Model一种从噪声里逐步去噪生成结果的生成模型一次生成多个预报成员给出带概率性质的集合预报而不是单一答案。三、三个你可以直接上手的用法AI 气象研究与验证用 0.25 度、37 层气压层的 GraphCast 高分辨率模型在 1979–2017 年 ERA5 数据上训练拿它和数值模式做同场对比省掉自己搭超算的开销。能源、农业的中期调度中期3–10 天预报正是风电源计划、农事安排的决策窗口GenCast 一次输出多个预报成员能直接算出降水或高温的概率分布而不只是一个点值。零成本入门实验gencast_mini_demo.ipynb在免费 Colab 里加载数据、生成预测、算损失、算梯度整条链路走完适合第一次接触天气模型的人。四、为什么说它对新手足够友好JAX 生态、模块化结构核心架构在 graphcast.py自回归、归一化、损失等组件独立封装想改哪块读哪块。BFloat16 精度casting.py让模型用 BFloat16 运行显存需求直接减半消费级硬件也能跑低分辨率版本。权重开箱即用7 个模型GraphCast 3 个 GenCast 4 个的权重和统计数据全部随包提供不用自己从零训练。从免费 Notebook 到 TPU 都有路径仓库自带 3 个演示 Notebookdocs/cloud_vm_setup.md 还写清了 TPU 的内存和成本估算。如果你想在本地跑再连回 Colab按文档连接本地运行时即可拿起来试试执行git clone https://gitcode.com/GitHub_Trending/gr/graphcast打开graphcast_demo.ipynb就能看到第一张全球预报图。需要说明的是项目属于实验性研究代码模型权重为 CC BY-NC-SA 4.0 授权商用场景请注意许可条款。论文引用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} }【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