今天在 GitHub Trending 上看到一个有意思的项目：google-deepmind/weathernext。它是 DeepMind 在气象领域的集大成之作，把 GraphCast、GenCast 两代经典模型统一收纳，并带来了全新的 WeatherNext 2 与 WeatherNext Cyclones 模型族。
一、项目概述
WeatherNext 是 Google DeepMind 与 Google Research 共同维护的天气预报模型代码仓库，核心包含 WeatherNext 2（WN2）——一个面向全球、中短期（medium-range）的大气与热带气旋预报模型。同时，仓库也保留了前代模型 GraphCast（确定性图神经网络预报）与 GenCast（扩散模型集合预报）的代码与文档。
它的定位并非"玩具 demo"，而是已经投入业务化运行的研究级系统：
- WeatherNext 2：0.25° 分辨率（约 30km），在 ECMWF HRES 数据上微调，可直接用业务化的 HRES 初始场驱动，而非依赖 ERA5 再分析数据。
- WeatherNext Cyclones：与 WN2 共用同一套算法，区别在于 WN2 额外预测 100m 风速；该变体在 2025 年大西洋飓风季中已实时运行，并被美国国家飓风中心（NHC）以 FNV3（后处理版 GDMI）的形式使用。
对不想自己跑模型的用户，DeepMind 还提供了多渠道数据推送：Google Cloud（Earth Engine / BigQuery / Vertex AI）、WeatherLab（含气旋路径）、以及 Open-Meteo API。
二、技术原理
架构演进：从图网络到统一框架
WeatherNext 家族的底层是**自回归滚动（autoregressive rollout）**预测：模型以上一时刻的大气状态作为输入，逐步预测未来若干步。仓库中的 utils/ 目录提供了跨模型共享的基础设施，包括：
- 自回归 rollout 调度
- 输入数据归一化
- 图构建模块（graph building blocks）
- 损失计算
- 与 JAX 兼容的 xarray 工具
# setup.py 中声明了核心依赖（节选）
install_requires=[
"chex", "dm-haiku", "jax", "jraph",
"xarray<=2026.2.0", "xarray_tensorstore",
"dinosaur-dycore", "fiddle", "pyproj", "rtree",
]
可以看到整套实现重度依赖 JAX + Haiku + Jraph，这是 DeepMind 一贯的技术栈选择：JAX 提供函数式可微编程与 TPU 加速能力，Jraph 负责图神经网络构建，xarray 处理带坐标的多维气象数据。
模型权重与分辨率谱系
仓库提供多档预训练权重，分辨率统一为 0.25°（约 30km 网格），差异体现在训练数据截止时间与用途：
| 模型 | 分辨率 | 训练数据截止 | 说明 |
|---|---|---|---|
| WeatherNext2_<2025 | 0.25° | 2024 | 业务化运行版，4 个 checkpoints |
| WeatherNextCyclones_<2025 | 0.25° | 2024 | 2025 飓风季实时运行（FNV3） |
| WeatherNextCyclones_<2024 | 0.25° | 2023 | 复现论文 2024 结果 |
| WeatherNextCyclones_<2023 | 0.25° | 2022 | 复现论文 2023 结果 |
| WeatherNextCyclones_Mini_<2024 | 1° | 2023 | 轻量版，适合单卡/GPU |
Mini 系列把分辨率降到 1°，显存与算力需求大幅降低，可在 P100 上推理，适合本地测试与教学；非 Mini 模型则需要 H100 级别的显存（建议 TPU v5p）。
概率化预报
WN2 背后的技术报告《Skillful joint probabilistic weather forecasting from marginals》（arXiv:2506.10772）指出，模型从边缘分布出发实现联合概率化天气预报，相比纯确定性输出更利于风险评估。Cyclones 相关论文则发表在 Nature（doi:10.1038/s41586-026-10953-2）。
三、安装与快速开始
环境要求
- Python 3.10 / 3.11
- 建议 TPU（实现已针对 TPU 优化）；GPU 需切换 attention 实现
- 非 Mini 模型需 H100 显存；Mini 模型可在 P100 上运行
安装
⚠️ 这是研究代码，以"现状"提供，API 不保证稳定，建议固定到某个 release 版本。
pip install git+https://github.com/google-deepmind/[email protected]
预训练权重与示例数据位于 Google Cloud Bucket（dm_graphcast），需自行下载后使用。
最简运行：Colab 交互式 Demo
最友好的入口是官方 Colab Notebook（默认运行 WeatherNext Cyclones Mini，推荐 v5e-1 免费运行时）：
# 直接打开 Colab
https://colab.research.google.com/github/google-deepmind/weathernext/blob/master/docs/weathernext2/wn2_demo.ipynb
在 Notebook 中你将学到：自动加载权重、载入初始场（如 HRES）、初始化 WN2（FGN）架构、执行自回归 rollout、可视化温度/风速/位势高度，以及用内置 tracker 提取气旋路径、计算训练损失并做梯度更新。
四、使用方法与实战
从 HRES 初始场初始化
业务化版本的关键优势在于：它不再依赖 ERA5 再分析，而是直接用 ECMWF HRES 的 T+0 分析场作为初始条件，因此与实际业务预报链路对齐，延迟更低。训练微调数据可通过 WeatherBench2 的 HRES 数据集获取。
完整训练数据来源
若要复现完整训练，需要下载 ECMWF 的 ERA5 数据集（建议经 WeatherBench2 以 Zarr 格式访问），相关数据集可能受独立条款约束，使用前需自行确认合规。
气旋追踪实战
运行 Cyclones 模型后，可对模型输出直接调用内置 tracker 得到气旋路径（track data），这是它与普通预报模型最大的差异化能力——把"预报"延伸到"路径追踪"，对飓风季预警有直接价值。
五、常见问题与解决方案
Q：跑模型提示显存不足（OOM）？
A：非 Mini 模型需要 H100 级别显存。本地测试请优先使用 WeatherNextCyclones_Mini_<2024（1° 分辨率），可在 P100 上推理；或在 Colab 中选用 v5e-1 运行时跑 Mini 版。
Q：GPU 上运行报错？ A：代码默认针对 TPU 优化，在 GPU 上需按 Demo Notebook 切换 attention 实现。
Q：如何获取预训练权重？
A：权重托管在 Google Cloud Bucket dm_graphcast，需自行下载，README 中给出了浏览器入口链接。
Q：pip 安装后依赖冲突？
A：注意 xarray<=2026.2.0 的上限约束，以及 gdm-xarray-jax 从特定 git tag 安装，建议固定 release 版本（如 @v0.3.0）以避免破坏性更新。
Q：结果能用于官方气象预警吗？ A：不能。仓库明确声明这是实验性研究项目，未与任何政府气象机构合作或背书，不可替代官方预警、警报或通知，使用前需自行评估风险。
六、总结
WeatherNext 是 DeepMind 把多年气象 AI 积累（GraphCast → GenCast → WN2）统一收敛的集大成仓库：0.25° 全球分辨率、可直接吃 HRES 初始场、提供从 Colab 一键体验到业务级权重的完整链路，并额外在热带气旋追踪上做出了 Nature 级别的研究成果。对个人研究者，最务实的入口是用 Colab 跑通 Mini 版；对工程团队，则可经由 Google Cloud 直接订阅每日数据推送。值得提醒的是，它始终定位为研究代码，落地到真实业务决策前请务必结合官方气象机构的权威信息。
仓库地址：https://github.com/google-deepmind/weathernext