AI Feeds
开源项目

weathernext

DeepMind 开源的全球中期天气与热带气旋预报模型，包含 WeatherNext 2、GraphCast、GenCast 的权重和推理代码。基于图神经网络与扩散模型，支持 30km 分辨率自动回归滚动预测，并内置气旋路径追踪器，Mini 版本可在单卡 GPU 运行。研究向代码，非 Google 官方支持产品，不替代官方气象预警。

README

WeatherNext

WeatherNext 2

本仓库包含 WeatherNext 2（WN2）的代码，这是由 Google DeepMind 和 Google Research 开发的全球中期大气与气旋预测模型。

仓库中还包含上一代模型的代码： GraphCast 和 GenCast。

获取预报数据流

如果你更希望直接访问 WN2 模型输出的每日数据流，而不是自己运行模型，我们在多个平台上提供了相关数据：

  • Google Cloud （包括 Earth Engine、BigQuery 和 Vertex AI）。
  • WeatherLab（包括气旋路径）。
  • OpenMeteo（包括 API 和交互式构建器）。

了解更多

旧版模型

本仓库是 WeatherNext 系列模型的主要发布地。除了 WN2 之外，本仓库同样托管以下旧版和专用模型的代码与文档：

  • WeatherNext Graph：使用图神经网络（graph neural networks）的确定性中期天气预报模型。以 GraphCast 名义发布。
  • WeatherNext Gen：基于扩散（diffusion）的中期天气集合预报模型。以 GenCast 名义发布。

提供的预训练模型

本仓库提供运行不同版本 WeatherNext 2 和 WeatherNext Cyclones 的代码。它们之间的唯一区别在于 WN2 还可以预测 100m 风速。特别是，WN2 也使用与 WN Cyclones 完全相同的算法预报气旋。由于是独立训练运行，它们的权重有所不同。

WeatherNext 2

  1. WeatherNext2_<2025（业务运行版）：0.25° 分辨率（约 30km）。 基于 ECMWF HRES 数据微调，设计用于直接从业务 HRES 初始条件初始化，而非 ERA5 再分析数据。训练数据截至 2024 年。对应权重文件： WeatherNext2_<2025_model{1,2,3,4}.npz。

WeatherNext Cyclones - 可复现论文结果的模型

  1. WeatherNextCyclones_<2025（业务运行版）：0.25° 分辨率。该模型在 2025 年大西洋飓风季期间实时运行，公开名称为 FNV3（NHC 的后处理版本称为 GDMI）。训练数据截至 2024 年。论文附录包含该模型检查点在 2025 年 NHC 海域的部分评估，以及 2025 年 9 月追踪器改进如何提升结果。对应权重文件： WeatherNextCyclones_<2025_model{1,2,3,4}.npz。
  2. WeatherNextCyclones_<2024：0.25° 分辨率。可复现论文中 2024 年的结果。训练数据截至 2023 年。对应权重文件： WeatherNextCyclones_<2024_model{1,2,3,4}.npz。
  3. WeatherNextCyclones_<2023：0.25° 分辨率。可复现论文中 2023 年的结果。训练数据截至 2022 年。对应权重文件： WeatherNextCyclones_<2023_model{1,2,3,4}.npz。

WeatherNext Cyclones Mini

  1. WeatherNextCyclones_Mini_<2024：1° 分辨率。轻量级版本，适用于较低的内存和计算限制（例如本地测试或单张 TPU/GPU）。其性能预计无法与更大版本持平。预测内容与 WeatherNext2_<2025 相同，包括气旋。训练数据截至 2023 年。对应权重文件： WeatherNextCyclones_Mini_<2024.npz。
  2. WeatherNextCyclones_Mini_<2023：同上，但仅使用截至 2022 年的数据训练。对应权重文件：WeatherNextCyclones_Mini_<2023.npz。

WeatherNextCyclones_Mini 的评估结果可在 WeatherNext Cyclones 论文 的附录中找到。

快速入门指南

开始使用 WeatherNext 2 的最简单方式是运行我们的交互式 Colab Notebook，可以通过 Colaboratory 打开。 该 notebook 默认使用 WeatherNext Cyclones Mini，我们建议使用 v5e-1 运行时运行，该运行时可作为 Colab 运行时免费使用。不过，该 notebook 也可用于运行上述其他模型（但这些模型需要 v5p 加速器）。

总体而言，我们建议尽可能在 TPU 上运行 WeatherNext 2，因为其实现已针对 TPU 进行优化。不过，如果选择在 GPU 上运行，则必须切换注意力实现，如演示 notebook 所示。非 Mini 模型需要 H100 才能满足足够的显存需求。Mini 模型应该可以在 P100 上完成推理。

预训练权重和示例数据可在我们的 Google Cloud Bucket 中获取。

在 notebook 中，你将学习如何：

  1. 自动从我们的存储桶加载所需的模型权重。
  2. 加载初始状态天气数据（例如 HRES 初始条件）。
  3. 初始化 WN2（FGN）架构。
  4. 运行自回归逐步推演以生成预报预测。
  5. 可视化输出（例如气温、风速、位势高度）。
  6. 对模型输出运行直接追踪器，以获得气旋路径数据。
  7. 计算模型预测与目标之间的训练损失，并执行一个梯度更新步骤。

环境搭建

安装

[!NOTE] 这是按原样提供的研究代码，用于运行和实验已发布的模型。不保证 API 稳定性，未来的更新可能会在不另行通知的情况下引入破坏性更改。我们建议固定到特定版本。

例如：

pip install git+https://github.com/google-deepmind/weathernext.git@v0.3.0

模型权重

要运行 WeatherNext 2 或 WeatherNext Cyclones，你需要下载预训练模型权重。你可以在 Google Cloud Bucket 访问权重。

共享工具

utils/ 目录包含多个 WeatherNext 模型使用的共享库，为自回归推演、输入归一化、图构建模块、损失计算和 JAX 兼容的 xarray 工具提供通用基础设施。有关特定模型的代码，请参阅各模型自己的 README。

训练数据

完整的模型训练需要从 ECMWF 下载 ERA5 数据集，最方便的访问方式是通过 WeatherBench2 以 Zarr 格式获取。

业务微调数据可通过 WeatherBench2 的 HRES 数据 获取。

这些数据集可能受单独的条款和条件约束。使用前请确保你能够遵守任何适用的限制。

许可证

Copyright 2026 Google LLC.

Colab notebook 和相关代码根据 Apache License, Version 2.0（Apache 2.0）许可；除非遵守 Apache 2.0 许可证，否则不得使用这些材料。你可以在以下位置获取许可证副本： https://www.apache.org/licenses/LICENSE-2.0.

所有其他材料均根据 Creative Commons Attribution 4.0 International（CC BY 4.0）许可。你可以在以下位置获取许可证副本： https://creativecommons.org/licenses/by/4.0/.

除非适用法律要求或书面同意，否则根据 Apache 2.0 或 CC-BY 4.0 许可证分发于此的所有软件和材料均按“原样”分发，不附带任何明示或暗示的保证或条件。请参阅许可证以了解各许可证管理权限和限制的具体语言。

免责声明

这不是 Google 官方支持的产品。

WeatherNext 模型属于实验性研究项目的一部分。你需要自行确定使用或分发这些模型及其任何输出是否合适，并承担与此类使用或分发以及行使 Google 在相关许可证下授予的权利和许可相关的所有风险。在依赖、发布、下载或以其他方式使用这些模型或其任何输出之前，请谨慎判断。

WeatherNext 模型并未与任何政府气象机构或部门合作生产，也未获得其认可，绝不取代此类机构发布的官方警报、警告或通知。

引用

如果你在研究中使用了 WeatherNext 2，请引用我们的论文：

@article{Alet2026,
  title={Operational Tropical Cyclone Forecasting with AI},
  author={Alet, Ferran and Andersson, Tom R. and Price, Ilan and Markou, Stratis and El-Kadi, Andrew and Masters, Dominic and Li, Amy and Merchant, Samier and Williams, Natalie and Thornton, Gregory and MacKay, Ken and Graham, Olivia and Uddin, Akib and Gaiarin, Ben and Shah, Devaja and Kruse, Elinor and Hogsett, Wallace and Zelinsky, David and Cangialosi, John and Martinez, Jonathan and Franklin, James and DeMaria, Mark and Musgrave, Kate and Bain, Caroline L. and Titley, Helen and Stott, Jacklynn and Lam, Remi and Bell, Aaron and Komarek, Paul and Willson, Matthew and Sanchez-Gonzalez, Alvaro and Battaglia, Peter},
  journal={Nature},
  year={2026},
  issn={1476-4687},
  doi={10.1038/s41586-026-10953-2},
  url={https://doi.org/10.1038/s41586-026-10953-2}
}

@article{alet2025skillful,
  title={Skillful joint probabilistic weather forecasting from marginals},
  author={Alet, Ferran and Price, Ilan and El-Kadi, Andrew and Masters, Dominic and Markou, Stratis and Andersson, Tom R and Stott, Jacklynn and Lam, Remi and Willson, Matthew and Sanchez-Gonzalez, Alvaro and Battaglia, Peter},
  journal={arXiv preprint arXiv:2506.10772},
  year={2025}
}

致谢

WeatherNext 模型与以下独立的库和包进行交互：

  • 欧洲中期天气预报中心（ECMWF）的数据和产品（经 Google 修改）。
  • 修改后的哥白尼气候变化服务信息 2023\。
  • NOAA 的国际最佳路径归档气候管理数据集（IBTrACS），首次访问时间为 2022 年 12 月 1 日\。

此外，Colab notebook 中包含一些 ECMWF ERA5 和 HRES 数据的示例，可用作模型输入。

欧洲委员会和 ECMWF 均不对任何可能对哥白尼信息或其包含数据的使用负责。ECMWF HRES 数据集版权声明：Copyright “© 2023 European Centre for Medium-Range Weather Forecasts (ECMWF)”。来源：www.ecmwf.int 许可证声明：ECMWF 开放数据根据 Creative Commons Attribution 4.0 International（CC BY 4.0）发布。 https://creativecommons.org/licenses/by/4.0/ 免责声明：ECMWF 对数据中的任何错误或遗漏、数据的可用性或因其使用而产生的任何损失或损害不承担任何责任。

使用上述第三方材料可能受单独的条款和条件或许可条款约束。你对第三方材料的使用受任何此类条款的约束，并且在使用前应检查你是否能够遵守任何适用的限制或条款和条件。

联系方式

有关代码库或模型的反馈和问题，请通过 weathernext@google.com 与我们联系。

通过电子邮件收集的任何信息都将按照 Google 的隐私政策 使用。

开源项目google-deepmind2026-08-09原文

相关内容