GraphCast天气预测：给地球拍一部十天后的“天气电影”

可视化演示

围绕全球天气预报展开深入探讨，从基本概念出发逐步深入到高级应用。内容涵盖AI for Science科学智能、... 切换模式查看不同维度。

天气预测概述——从“逐帧手绘”到“智能放映”

在传统气象中心，预报员每天面对海量观测数据：卫星云图、探空气球、地面气象站……这些数据被送进超级计算机，计算机根据纳维-斯托克斯方程等物理定律，一步一步把大气状态从此刻推演到未来。这就像动画师逐帧手绘：每一帧都要重新求解一遍复杂的物理方程组。要画一部 10 天的“天气电影”，需要上千亿次浮点运算，耗时数小时甚至更久。

GraphCast 换了一种思路。它不再“手绘”，而是“放映”：它先看了 39 年的地球天气纪录（ERA5 再分析数据），学会了天气系统演变的“剧情规律”。当它拿到最近 6 小时的大气状态时，能直接“画出”未来 6 小时的大气状态。这个从“物理方程驱动”到“数据驱动”的转变，正是 AI for Science 的核心思想：让模型在海量数据中自己归纳规律，而不是逐行手写物理定律。

正式地，天气预测可以被写成状态转移。记 $\mathbf{x}_t$ 为 t 时刻全球大气状态（包括温度、风、气压、湿度等变量在高空各层的取值），那么预测下一个时刻的状态，就是寻找一个转移函数 $\mathcal{F}$：

在传统数值预报中，$\mathcal{F}$ 是物理方程离散化后的数值积分器；在 GraphCast 中，$\mathcal{F}$ 是一个图神经网络，它的参数从 39 年的历史数据中学到。$\Delta t$ 取 6 小时——这是 GraphCast 放映“一帧”的时长。

其中 N 是网格节点数（约 100 万），V 是变量通道数。

所以，与动画师逐帧求解物理方程不同，GraphCast 这台“智能放映机”只需记住 39 年的剧情规律，就能把当前“胶片”快速推进到下一帧。理解了“状态转移”这个视角，下面我们就拆开放映机，看看它内部的三个车间。

模型总体架构——放映机的三个车间

如果说 GraphCast 是一台“天气电影放映机”，那么它内部有三个车间：读片室、编剧室和放映室。原始胶片（大气状态）先被送进读片室压缩成剧本要点；编剧室根据这些要点构思剧情下一步走向；放映室再把构思还原成观众能看的完整画面。

这三个车间对应深度学习中的编码器（Encoder）、处理器（Processor）和解码器（Decoder）。编码器把高维的网格状态映射到紧凑的隐空间特征；处理器在隐空间里执行核心的“剧情推演”——反复做消息传递；解码器再把隐空间特征映射回物理空间，输出下一帧的全球天气场。

整体过程写成公式：

其中 $\mathcal{E}$ 是编码器，$\mathcal{P}$ 是处理器（重复若干次消息传递），$\mathcal{D}$ 是解码器。GraphCast 的输入输出是 0.25° 的规则经纬网格（约 28 千米一格），内部则把特征映射到二十面体网格（icosahedral mesh）的层级结构上进行消息传递：粗的网格负责远距离信息流动，细的网格负责局部细节，兼顾精度与算力。

读片、编剧、放映三个车间各司其职，配合多尺度网格这座“内部摄影棚”，让 GraphCast 既能理解全球环流，也能刻画局地天气。接下来我们走进编剧室，看看消息传递这场“剧本接力”具体怎么发生。

图神经网络内核——节点间的“剧本接力”

在 GraphCast 的“编剧室”里，地球被抽象成一张大网，每一个网格节点就像一位演员。演员的“台词”是该位置的大气状态：温度、气压、湿度。剧情要推进，演员必须互相传话——高气压区域的演员把“晴朗”讲给邻居，暖湿气流的演员把“降雨”的故事向前传。

这种“传话”在技术上称为消息传递（Message Passing），是图神经网络（GNN）的核心运算。与 CNN 在规则矩形网格上滑动卷积核不同，GNN 在任意拓扑结构的图上工作，特别适合球面这种无法完美展开成矩形的地球表面。GraphCast 采用的二十面体网格，正是为球面量身定制的“演员站位图”。

消息传递的经典更新公式：

其中 $\mathcal{N}(v)$ 是节点 v 的邻居集合，$\mathbf{M}$ 是消息函数（把邻居 u 的信息打包成一条消息），$\mathrm{AGG}$ 是聚合函数（把收到的所有消息汇总），$\mathrm{UPDATE}$ 是更新函数（结合自己的状态和汇总的消息，得到新状态）。每做一轮，信息就沿着边传播一跳。

正是这场覆盖全球的“剧本接力”，让每个节点的消息在几十轮传递中扩散到数千千米之外。演员们通过不断传话，共同“演”出未来几天的天气剧情。那么，这些演员的“台词功底”是怎么训练出来的？下一节我们走进它的“片场”。

数据与训练——39 年“天气影片档案库”

再好的演员也需要海量排练。GraphCast 的“排练场”是 ERA5 再分析数据集——一套由欧洲中期天气预报中心（ECMWF）用物理模型把 1979 年至 2017 年间的各种观测资料“缝补”起来的全球大气“纪录影片”。它就像一份 39 年的天气录像档案，每一帧都标好了全球每个网格点的真实大气状态。

训练时，模型每次“看”两帧连续画面：把 t 时刻和 t-6h 时刻的状态作为输入，把 t+6h 时刻的“真实胶片”作为比对目标。模型先做出预测，再与真实画面比较差距，通过反向传播调整参数。这种“看完前两帧就预测下一帧、播错了就纠正”的训练方式，本质上是一种自监督学习：不需要人工标注，历史天气档案就是无穷无尽的“标准答案”。

训练目标是最小化预测场与真实场的差距，常用加权均方误差：

其中 $\hat{\mathbf{x}}_i$ 是模型对第 i 个网格节点或变量的预测值，$\mathbf{x}_i$ 是 ERA5 给出的真实值。由于不同变量（温度、风速、湿度）量纲差异巨大，训练前要对每个变量做标准化，让误差在可比尺度上计算。

39 年的“天气档案”赋予了 GraphCast 对常见天气模式的深刻记忆。但档案再多也终有盲区——它没见过的极端天气，演起来就会“经验不足”，这也是后面要讨论的局限。先看它学成之后如何登台表演。

推理与预测——十天电影的“逐帧放映”

训练完成后，GraphCast 正式登台。它不会像魔术师一样“大手一挥”直接变出 10 天后的天气，而是老老实实地“一帧一帧放映”：给它当前和 6 小时前的大气状态，它输出 6 小时后的状态；然后把这个输出当作新的“当前状态”，再预测下一个 6 小时。如此循环 40 次，一部“未来 10 天天气电影”就放映完毕。

这种将模型输出重新作为输入的方式叫自回归（Autoregressive）迭代。它的好处是只需训练一个 6 小时预测模型，就能覆盖任意时间长度的预报；代价是误差会逐帧累积——第一帧的小偏差可能在循环中不断放大，这也是所有迭代预测模型面临的共同挑战。

把迭代过程写成公式：

其中 $\circ$ 表示函数复合，$K$ 是迭代次数。要预报 10 天，$K = 240h / 6h = 40$。整个过程在单个 TPU 上不到 1 分钟完成，相比之下传统高分辨率数值预报在超级计算机上动辄需要数小时。

就这样，放映机把 10 天的天气大片一帧一帧地播放出来，40 帧胶片拼成完整故事。不过，这部大片到底拍得怎么样？影评人们的“打分”将检验它的成色。

性能与评估——影评人怎么打分

电影上映后要接受影评人审视。“影评人”在这里是气象学界的评估指标。最常用的两个指标是均方根误差（RMSE）和异常相关系数（ACC）。RMSE 衡量预测与实况的平均偏差大小；ACC 衡量预测的空间分布与实况的吻合程度，越接近 1 越完美。

2023 年的“影评榜单”上，GraphCast 交出的成绩单相当亮眼：在 ECMWF 的 HRES（高分辨率确定性预报）面前，它在 90.2% 的评估指标上更优；相比同期中国团队开发的盘古气象大模型（Pangu-Weather），它在约 99% 的指标上占优，尤其在 5 天以上的中长期预报中优势明显。而且它完成 10 天预报只需不到 1 分钟。

ACC 的定义式为：

其中 $x'$ 表示去除气候态（多年平均背景）后的异常值，$\bar{x}'$ 表示 N 个格点异常值的平均。ACC 本质上是预测异常场与真实异常场的相关系数。RMSE 则直接计算预测与真实的平均平方根偏差：

影评人的结论很清晰：GraphCast 在很多方面已是“最佳影片”，但它并非全知全能。正如它拿下了约 90% 的指标，却仍有约 10% 的镜头输给传统老将。哪些地方还力有不逮？来看大片的“花絮与幕后”。

局限与未来——放映机的“成长空间”

再先进的放映机也有短板。第一，GraphCast 的“演技”完全来自历史档案——ERA5 的数据质量直接决定它的上限；遇到数据稀疏地区（如极地、海洋深处）或历史罕见的极端天气，它的“剧本”就缺少参照。第二，它输出的是确定性单值预报，不像传统集合预报那样直接给出概率区间。第三，0.25° 分辨率虽已很细，但对局地强对流、城市尺度的天气现象依然不够。

这些局限并不代表方向错了，反而指引了前进方向。学界正尝试把物理方程与 GNN 结合，用物理约束修正 AI 的“胡思乱想”；用扩散模型生成集合预报，给出不确定性；把 GraphCast 接入实时数据同化链条，让预报随最新观测滚动更新。这也正是"AI for Science"的普遍范式：AI 不是替代物理，而是与物理协同。一种代表性的融合思路可以写成：

其中 $\mathcal{F}_{\text{phys}}$ 表示传统数值模式的 6 小时预报，$\mathcal{F}_{\theta}$ 表示 GraphCast 的数据驱动预报，$\lambda$ 是学习到的融合权重。物理项兜底、AI 项修正，两者互相校准。

回到开头那台“天气电影放映机”：它曾在 39 年的档案中如饥似渴地学习，它能以 1 分钟一部的速度放映十天大片，它也清醒地知道自己的盲区。正是这种“知不足而后进”，让 AI for Science 的下一部大片更值得期待。

AI 应用场景

Python 演示

import numpy as np # 最小化 GraphCast 思路演示: 网格消息传递 + 自回归迭代预测 def make_grid(n=10):    # 生成 n*n 网格, 返回节点坐标与四邻域邻居列表    xs, ys = np.meshgrid(np.arange(n), np.arange(n))    coords = np.stack([xs.ravel(), ys.ravel()], axis=1).astype(float)    neigh = []    for idx, (x, y) in enumerate(coords):        nbs = []        for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:            nx, ny = int(x + dx), int(y + dy)            if 0 <= nx < n and 0 <= ny < n:                nbs.append(int(ny * n + nx))        neigh.append(nbs)    return coords, neigh def weather_field(coords, t):    # 合成天气场: 两个移动的波叠加, 模拟高低压系统    x, y = coords[:, 0], coords[:, 1]    return (np.sin(0.4 * x - 0.25 * t) * np.cos(0.3 * y + 0.15 * t)            + 0.6 * np.sin(0.7 * y - 0.2 * t)) def build_dataset(coords, neigh, n_traj=40, T=12):    # 构造训练对: 用状态本身 + 邻居均值 预测 6 小时后的变化量    X_list, Y_list = [], []    rng = np.random.default_rng(0)    for _ in range(n_traj):        ph = rng.uniform(0, 2 * np.pi)        states = [weather_field(coords, t + ph) for t in range(T)]        for t in range(T - 1):            feats = [[states[t][i],                      np.mean([states[t][j] for j in nbs]) if nbs else states[t][i]]                     for i, nbs in enumerate(neigh)]            X_list.append(feats)            Y_list.append(states[t + 1] - states[t])    return np.array(X_list), np.array(Y_list) def iterative_forecast(start, neigh, W, steps=20):    # 自回归迭代: 每步的输出作为下一步的输入    state = start.copy()    traj = [state.copy()]    for _ in range(steps):        feats = np.array([[state[i],                           np.mean([state[j] for j in nbs]) if nbs else state[i]]                          for i, nbs in enumerate(neigh)])        state = state + (feats @ W).ravel()        traj.append(state.copy())    return traj def main():    n = 10    coords, neigh = make_grid(n)    X, Y = build_dataset(coords, neigh)    Xr = X.reshape(-1, 2)    Yr = Y.reshape(-1)    W, *_ = np.linalg.lstsq(Xr, Yr, rcond=None)   # 最小二乘拟合消息传递规则    start = weather_field(coords, 0.0)    traj = iterative_forecast(start, neigh, W, steps=20)    true = [weather_field(coords, t) for t in range(21)]    rmse = [float(np.sqrt(np.mean((traj[t] - true[t]) ** 2))) for t in range(21)]    print("初始 RMSE:", round(rmse[0], 4))    print("第20步 RMSE:", round(rmse[-1], 4))    print("20步平均 RMSE:", round(float(np.mean(rmse)), 4)) if __name__ == "__main__":    main()

1. def make_grid(n=10):生成网格节点坐标与四邻域邻居表，相当于 GraphCast 的球面网格抽象。
2. coords = np.stack([xs.ravel(), ys.ravel()], axis=1).astype(float)把二维坐标展平成 N×2 的节点坐标矩阵。
3. states = [weather_field(coords, t + ph) for t in range(T)]生成一段带随机相位的“天气电影片段”，相当于 ERA5 提供的历史帧。
4. feats = [[states[t][i], np.mean([states[t][j] for j in nbs]) ...]]每个节点的特征 = 自身状态 + 邻居均值，这就是消息传递的“聚合”。
5. state = state + (feats @ W).ravel()用线性层更新状态（预测增量），对应 GNN 的 UPDATE 步骤。
6. W, *_ = np.linalg.lstsq(Xr, Yr, rcond=None)用最小二乘从历史数据中“学”出消息传递规则，等价于训练神经网络参数。
7. traj = iterative_forecast(start, neigh, W, steps=20)自回归迭代 20 步，输出完整的预测轨迹。
8. rmse = [float(np.sqrt(np.mean((traj[t] - true[t]) ** 2))) for t in range(21)]逐帧计算与真实场之间的 RMSE，评估预测质量。

常见误区

面试题