GraphCast 全球天气预测开源项目10 天预报怎么用、能跑在哪种硬件上【免费下载链接】weathernext项目地址: https://gitcode.com/GitHub_Trending/gr/weathernext如果你想在本地或云端跑全球中期天气预报这个由 Google DeepMind 开源的仓库值得看。它包含 GraphCast图神经网络确定性预报和 GenCast扩散模型集合预报两套完整实现附预训练权重适合研究人员和 AI 气象爱好者。从预报系统的两个痛点说起传统数值天气预报靠求解物理方程精度高但耗时耗算力纯 AI 预报又快又省过去却在 10 天这个技能极限上打不开局面。GraphCast 正是冲着这个矛盾来的预报范围 10 天、0.25° 全球分辨率约 28 公里一个格点精度与 ECMWF 数值模式相当而单步推理只要几秒仓库不止一个模型。GraphCast 提供 0.25°/37 气压层的高配版、1°/13 层的 GraphCast_small以及用 HRES 数据微调、可直接接业务初值的 GraphCast_operationalGenCast 则额外提供扩散式集合预报官方给了 4 个预训练版本最小的 1° Mini 版专为低成本演示设计能直接在免费 Colab 上跑。硬件需求也被文档量化得很细0.25° GenCast 在 TPU 上约需 250GB 主机内存、32GB 显存1° 版约 21GB 内存、8GB 显存。换 GPUH100跑可以但指标平均劣化 0.3%~0.4%推理时间从约 8 分钟涨到约 25 分钟——要不要为省钱接受这点精度损失你心里就有数了。上图是官方给出的评分卡Mini 模型只用了 8 个集合成员ENS 用 50 个按公平口径比较后大部分变量在 10 天预报期内的误差仍低于基准集合预报。原理速览把地球表面变成一张图GraphCast 不把地球当规则方格而是先把它映射成一个三角形网格基于二十面体的icosahedral mesh避免经纬网格在两极畸变。网格上的每个节点就是一个点节点之间用边相连合起来就是一张图——图神经网络GNN的专长领域。模型用 JAX 实现靠 Jraph 在图上做消息传递一层一层地让每个节点聚合邻居信息预测是自回归的先做一步 6 小时预报把输出喂回去再做下一步如此滚出 10 天序列。推理时用 BFloat16一种 16 位浮点格式降低内存和算力开销。GenCast 则把一步预测写成扩散模型的去噪过程再配 DPM-Solver 采样器每次生成多个预报成员从而给出概率而不是单一答案。快速上手三步打开仓库里的gencast_mini_demo.ipynbGenCast Mini或graphcast_demo.ipynbGraphCast在 Colab 中选 Runtime → Change Runtime Type 为免费 TPUv2-8 即可跑通加载数据、生成预测、计算损失与梯度想跑高分辨率模型需先开一台云 TPUdocs/cloud_vm_setup.md 给出完整配置表1° 模型配v5litepod-40.25° 模型配v5p并附成本估算1° 模型 30 步滚动预报在 TPU 上约 5 分钟、几毛钱美元以内预训练权重、标准化统计和示例数据都在 Google Cloud 公开 Bucketdm_graphcast里notebook 会自动拉取。本地克隆仓库可用git clone https://gitcode.com/GitHub_Trending/gr/graphcast适合谁不适合谁比较适合研究中期预报与集合预报方法、复现论文实验、在图神经网络上做二次开发。核心模块划分清晰——graphcast/graphcast.py 是一步预测主干graphcast/gencast.py 是扩散模型组合autoregressive.py和rollout.py分别负责训练时与推理时的多步滚动。不适合拿来做正式气象服务。README 明确声明这是实验性研究项目输出不替代官方气象预警。另外两点要认清Mini 版官方自认表现尚可但不代表 GenCast 的整体水平只适合演示0.25° 模型对内存要求高消费级硬件基本只能看 1° 版。许可方面代码是 Apache 2.0模型权重是 CC BY-NC-SA 4.0商用前务必核对条款。延伸阅读仓库 README.md四个 GenCast 与三个 GraphCast 模型的训练区间、配置和评估方式全在这里两篇原始论文GraphCast 发表于 Science2023arXiv:2212.12794GenCast 为 arXiv:2312.15796理解评分卡上的 RMSE 与 CRPS 指标时建议对照原文。这套代码把AI 全球预报从论文里搬进了可复现的工程形态想跑就开 Colab想改就读graphcast/目录。它能不能进入你的工作流跑一次 1° 模型 30 步滚动就知道了。【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
