NOAA 版 Graphcast 来了

Open-Meteo 非常高兴地宣布推出 GraphCast，这是一款由 Google DeepMind 开发的开创性机器学习天气模型。您可以通过 Open-Meteo 天气 API 探索其预报数据，并比较来自不同开放数据天气模型的预测。

比较 ECMWF 和 GFS 传统及机器学习天气模型的天气预报

这一发展标志着重大进步，GraphCast 是 Open-Meteo 上第二个可用的人工智能天气模型，补充了现有的来自 ECMWF 的 AIFS 模型。

Google DeepMind 的 GraphCast

GraphCast 是由 Google DeepMind 开发的天气预报模型。它利用机器学习技术生成天气预测。与依赖复杂物理方程的传统数值天气模型不同，GraphCast 直接从数据中学习模式和关系。

基本上，GraphCast 分析大量历史天气数据，识别模式和相关性。然后，它利用这些知识来预测未来的天气条件。

GraphCast 使用来自 ECMWF Copernicus 项目的 ERA5 数据进行训练，该项目基于 ECMWF IFS 天气模型。尽管 GraphCast 是一个机器学习模型，但它在很大程度上依赖于并从传统天气模型中学习。因此，要使用 GraphCast，用户仍然需要来自传统天气模型的数据。

尽管 Google 几个月前发布了 GraphCast 的源代码，但实时预报并不可用。用户需要 ECMWF IFS 模型的实时预报数据来运行 GraphCast，这需要购买 ECMWF 的昂贵商业许可。随着上个月 ECMWF IFS 数据以 0.25° 分辨率开放数据发布，现在使用 ECMWF 的开放数据运行 GraphCast 已经成为可能，但实际操作 GraphCast 仍然相当复杂。

然而，美国气象服务开发了一个运行中的 GFS GraphCast 预报，并继续以开放数据形式提供预报。

基于 NOAA GFS 的 GraphCast

GraphCast 的核心数据来源于美国国家海洋和大气管理局（NOAA），使用全球预报系统（GFS）。GraphCast 以 GRIB 格式作为开放数据在亚马逊网络服务（AWS）1 上可用，但仍处于实验阶段，用户应对潜在的服务中断保持警惕。

该模型每天更新四次，空间分辨率为 0.25°，时间步长为每6小时，提供地表层变量的预测，如温度、压力、云层、降水和风。此外，它还提供包括温度、风、湿度和云量在内的37个气压层的大气数据。然而，由于缺乏太阳辐射或土壤属性的数据，以及限于每6小时的时间步长，该模型不适用于能源或农业应用。

天气数据档案可以追溯到 2024 年 2 月 5 日，但是需要准备足够的存储空间——单次模型运行达到 28 GB。每天更新 4 次，到今天为止已经有 65 天的数据，累计达到 7.3 TB。从 2 月 5 日开始的所有数据都已集成到 Open-Meteo API 中，您可以立即获取单个地点的数据，而不需要下载所有原始数据。

探索开放数据 S3 存储桶中的 GRIB 文件

GraphCast 预测训练权重

GraphCast 的预测令人印象深刻，挑战了传统天气模型，展示了人工智能在天气预测中的巨大潜力。然而，值得注意的是，该模型目前是基于 ECMWF ERA5 数据训练的，同时以 GFS 数据初始化。这可能导致轻微的不一致。

运行一个人工智能天气模型并不需要大量计算资源，因为单个 GPU 就足以进行计算。相比之下，传统的数值天气模型需要超级计算机来模拟天气预报。

然而，训练一个人工智能天气模型是资源密集型的，类似于训练大型语言模型，如 Chat GPL 或 Google Gemini，通常需要数百甚至数千个 GPU。相反，对传统天气模型进行调整可能只需修改源代码中的一个方程式。

这种训练与模拟时间的逆转为气象学家和数据科学家带来了一个有趣的挑战，他们努力进一步提升人工智能天气模型的预测能力。

为了解决 GraphCast 基于不同天气模型训练的问题，美国国家海洋和大气管理局（NOAA）目前正在训练基于其存档的 GFS 天气预报的机器学习权重。最新的更新可能在四月底已经可用，将提高 GraphCast 预测的准确性。

基于 GraphCast 的集合预报

基于 GraphCast 的集合预报

鉴于使用机器学习天气模型进行天气模拟的计算需求很小，美国国家海洋和大气管理局（NOAA）正在探索利用 GraphCast 进行集合天气模型的可能性。这些模型不仅提供一个确定性预报，还提供多个扰动预报，通过略微变化的初始条件估计天气发展的潜在范围。这种方法通常被称为混沌理论或蝴蝶效应，它增强了我们对天气动态的理解，并估计了天气预报模型中的不确定性。

目前尚不清楚 GraphCast 集合预报是否以及何时可能可用，但将其集成到已经提供数百个扰动预报的 Open-Meteo 集合 API 中可能会是一个受欢迎的补充。

随着我们继续开发人工智能在天气预报中的潜力，GraphCast 成为技术驱动创新可能性的见证。其集成到 Open-Meteo 强调了一种承诺，即民主化获取尖端天气数据和分析。

对于那些渴望及时了解进一步发展的人来说，订阅 Open-Meteo 可以确保及时更新 GraphCast 及其他天气预报技术的进展。随着每次更新，我们都在向一个准确的天气预测不仅是可能的，而是由人类智慧和机器智能的融合塑造的现实的未来更进一步。