GraphCast:图神经网络驱动的全球中期天气预报
新一、简介
GraphCast 是 Google DeepMind 的全球中期天气预报模型,2022 年 12 月以预印本形式发布于 arXiv(2212.12794),2023 年 12 月 22 日在《科学》卷 382 第 6677 期第 1416–1421 页正式刊出,论文标题为《Learning skillful medium-range global weather forecasting》,作者 18 位,第一作者为 Remi Lam,末位作者为 Peter Battaglia。
它要改变的是中期天气预报的基本做法。传统数值天气预报通过增加计算资源来提升精度,模式本身并不直接利用历史天气资料。GraphCast 的路线正相反:直接从再分析资料训练,一个模型同时输出数百个气象变量,覆盖未来 10 天,全球 0.25° 分辨率,单次预报在单台加速器上不到一分钟完成。
论文中最常被引用、也最需要准确理解的一句话是精度对比口径:在 1380 个检验目标(verification targets)中的 90% 上,GraphCast 显著优于当时最精确的业务确定性系统。这个对比对象是 ECMWF 的 HRES 业务确定性模式,按预报时效与检验变量分别计分,不宜笼统表述为”整体更准”。原条目中”在多项指标上超过传统数值预报”的表述过于笼统,“很多检验变量与预报时效”的表述方向正确但丢失了 1380 与 90% 这两个可核查的数字。
除了平均技巧评分,论文单独论证了严重天气事件的预报能力,包括热带气旋路径、大气河与极端温度。这是把”平均 RMSE 下降”翻译成”具体灾害场景更有用”的关键一步,也是业务机构评估这类模型时真正关心的部分。
配套产出同样完整。模型代码与训练权重最初发布在 deepmind/graphcast 仓库。该仓库后来被重定向到 google-deepmind/weathernext,成为 WeatherNext 家族的统一代码库:GraphCast 在其中以 WeatherNext 1 Graph 的名义保留,文件名与检查点仍沿用 “GraphCast” 命名以保持向后兼容。这条迁移路径对使用者很关键——旧链接仍可访问,但文档、安装方式与权重许可条款都已变化。
从工程视角看,GraphCast 的意义在于给出了一条可复制、可验证的路线:把再分析资料当作监督学习语料,用图神经网络在非结构化的球面网格上做自回归预测,把数值模式退居为初始状态的提供者。这类”学习替代积分”的思路,与本站收录的 代理模型与降阶模型 讨论的方法学、以及 物理基础模型 收录的模型谱系属于同一脉络。
二、原理与工作方式
GraphCast 的建模对象是大气状态在球面上的分布,网格采用二十面体(icosahedral)划分。这与经纬度的常规格点不同:二十面体网格把球面近似为三角面片构成的球面网格,每个节点在几何上更接近等面积分布,避免了高纬度区域的网格畸变,从而在同等节点数下提供更均匀的采样。
架构上是图神经网络。节点是网格点,边是相邻节点之间的连接,消息在图上迭代传递,聚合层数决定感受野。模型以自回归方式工作:给定当前时刻的大气状态,预测下一个 6 小时的状态,再把预测结果作为下一步的输入,滚动推进到 10 天。这一机制与数值模式的时间推进方式一致,因此可以直接插入现有的预报流程。
输入变量覆盖 ERA5 再分析资料的完整状态向量,包括六个标量场(位势高度、温度、垂直比湿、风的三分量)与三个大气状态量(特定湿度、垂直速度、位势高度的三维结构等),论文描述为数百个气象变量。输出的检验目标数量达 1380,覆盖多个预报时效与多个变量。
训练数据是 ERA5 再分析资料,官方文档给出的口径是:论文主模型使用 1979 至 2017 年的 ERA5 数据训练,0.25° 分辨率、37 个气压层。这一训练跨度决定了模型对 2018 年之后大气的代表性有限,也是后续微调版本存在的原因。
模型提供三个预训练检查点,各有明确用途。GraphCast 是论文所用的主模型,0.25° 分辨率、37 层气压、1979–2017 年 ERA5 训练。GraphCast_small 是低分辨率版本,1° 分辨率、13 层气压、更小的网格,训练集为 1979–2015 年,适合算力与显存受限时运行。GraphCast_operational 同样是 0.25° 分辨率,但为 13 层气压,先在 1979–2017 年 ERA5 上预训练,再在 2016–2021 年的 HRES 数据上微调,可以直接由 HRES 初始状态驱动,且不依赖降水输入。
代码组织上有几处对使用者有实际影响。graphcast.py 提供 GraphCast 单步预测的模型架构;casting.py 是 BFloat16 精度包装器,用于让 GraphCast 在半精度下运行以降低显存占用;solar_radiation.py 计算与 ERA5 兼容的大气层顶入射太阳辐射,这是在业务化场景中必须为目标预报时效单独计算的强迫变量。共享库文件(自回归推进、归一化、网格构建、损失计算、JAX 兼容的 xarray 工具等)集中在 utils/ 目录,供家族内多个模型共用。
值得注意的是架构层面的融合趋势。后续的 GenCast 与 WeatherNext 系列都沿用了 GraphCast 建立的图网格与自回归框架,把 GraphCast 视为确定性版本的基座。相关的谱系条目包括 GenCast、Pangu-Weather 与 FourCastNet,它们在网格类型、注意力机制与是否生成集合预报上各有取舍。
三、适用边界与前提
GraphCast 的适用边界由四组前提划定。
第一,它接的是再分析资料,不是实测。ERA5 是把观测与数值模式同化后得到的四维同化产品,本质上仍是模式输出。GraphCast 学到的是这个同化系统的统计规律,其能力上限受制于再分析资料的质量。已有一项专门工作用 GraphCast 反查 ERA5 的 2 米气温误差,说明模型可以在一定程度上充当再分析资料的质量诊断工具,反过来印证了它与训练数据同源这一事实。
第二,它做的是中期确定性预报,不是临近预报也不是气候预测。10 天、0.25° 是它的设计区间。分钟到小时级的降水临近预报由另一类模型承担,见 NowcastNet 的工作。季节与年代际尺度属于耦合与初始值问题,超出本模型范围,NeuralGCM 讨论的耦合路线处理的是不同物理层次的问题。
第三,它不产生业务预警。官方免责声明明确写出:GraphCast 的输出并非与任何政府气象机构合作产生,也未获其背书,不能取代这些机构发布的官方警报、警告与通告。这条限制在工程上必须遵守——模型输出可以作为内部参考输入,不能直接作为对外发布的预警依据。
第四,它是一个纯大气模型,不含海洋、陆面与化学过程。HRES 这类业务模式包含完整的耦合系统,GraphCast 只处理大气状态的单步推进。因此在需要海气耦合反馈的预测(如热带气旋强度的快速增强、远洋风暴路径)上,其能力与完整模式存在结构性差距。GraphCast_operational 通过在 HRES 数据上微调来吸收部分业务模式的信息,但没有改变模型的物理范围。
计算资源约束是第五组现实前提。官方文档的表述是:非 Mini 规模的模型需要 H100 级别的显存,Mini 规模在 P100 上即可推理;实现针对 TPU 做了优化,若在 GPU 上运行必须切换注意力实现。这一约束直接决定了中小团队能否自行运行,还是调用云端服务。
数据许可方面也需要注意时效。GraphCast 权重原先受非商业条款限制,2026 年 8 月 6 日仓库更新了权重许可,允许商业使用,原许可条款被新条款替代;继续下载或使用权重即视为接受新条款。引用许可状态时应注明这一更新日期。
四、上手路径
最省力的入口是仓库内的 graphcast_demo.ipynb Colab。该笔记本给出完整流程示例:加载初始天气数据、生成随机权重或加载预训练快照、执行预测、计算损失、计算梯度。在 Google Colab 中直接打开即可,无需本地环境配置。
代码安装采用固定版本的 Git 方式,官方推荐锁定 release:
pip install git+https://github.com/google-deepmind/weathernext.git@v0.3.0
仓库当前有四个 release:v0.1(2023 年 10 月 31 日,即 GraphCast 首发版本)、v0.1.1(2024 年 10 月 9 日)、v0.2(2026 年 3 月 30 日)、v0.3.0(2026 年 8 月 6 日)。官方在 README 中提示这是按现状提供的研究代码,不保证 API 稳定,后续更新可能引入破坏性变更,因此固定版本是推荐做法。
权重与样例数据托管在 Google Cloud Storage 桶 dm_graphcast。目录中同时保留了 GraphCast 的顶层数据与 graphcast/ 子目录两套,前者是为向后兼容保留的,官方声明将逐步删除、以后者为准。使用时建议直接指向 graphcast/ 子目录,避免未来失效。
数据准备需要自行处理。完整训练需从 ECMWF 下载 ERA5,推荐通过 WeatherBench2 以 Zarr 形式读取;业务化微调数据可从 WeatherBench2 的 HRES 数据获取。这些数据各有独立的许可条件,使用前需确认自身是否符合相关限制。
三个检查点的选择建议如下。需要复现论文结果或做高分辨率研究,用 GraphCast;算力受限或先看效果再决定投入,用 GraphCast_small;需要与业务模式同源初始化、追求业务口径一致,用 GraphCast_operational。其中 GraphCast_operational 不需要降水输入这一点在实际接入时很关键,因为业务初始状态通常不含降水。
对只想调用服务而不自建部署的团队,WeatherNext 家族提供了直接的预报数据通道:Google Cloud 侧(含 Earth Engine、BigQuery、Vertex AI)、WeatherLab 平台(含气旋路径)以及 OpenMeteo 提供的 API 与交互式构建器。这条路径把权重托管与推理算力一并省去,适合先做业务可行性评估再决定是否自建。
从更广的物理 AI 方法论角度看,GraphCast 在工程上对应的是”用学习模型替代求解器”的经典范式。这一范式在流体与结构领域的对应讨论可参考 /zh/collections/surrogate-modeling-rom/,跨尺度的模型组织方式可参考 /zh/collections/neural-operators/。
五、横向对比
把 GraphCast 放进 AI 气象模型的谱系里比较,可以看清各自的取舍。
GraphCast 与 Pangu-Weather 的对比最能说明架构选择的影响。Pangu-Weather(arXiv:2211.02556,2022 年 11 月)采用 3D 地球自回归 Transformer,把空间维度与时间维度都做窗口化注意力分解,在 0.25° 分辨率上取得强结果;GraphCast 则坚持用图网格消息传递。两者的差别不是精度高低,而是先验的引入方式:图结构显式编码了球面网格的邻接关系,而 Transformer 用注意力隐式学习空间关联。这一分歧此后被 GraphCast 系列的同门工作进一步演化出两条路线。
与 GenCast 的关系是”基座与扩展”。GenCast(arXiv:2312.15796,后发表于《自然》卷 637 第 84–90 页)继承 GraphCast 的图网格与自回归框架,把确定性单步预测替换为扩散模型驱动的集合预报,从而给出带不确定性的预报产品。同属 GraphCast 谱系的 GraphDOP(arXiv:2412.15687)则把图网络用于耦合地球系统动力学,把海洋与大气一并纳入图结构。
FourCastNet(arXiv:2202.11214 与 2208.05419)代表另一条工程路线:它以傅里叶神经算子替代图消息传递,并强调自适应傅里叶变换带来的算子学习效率,配套的 FourCastNeXt(arXiv:2401.05584)进一步面向有限算力条件做训练优化。FuXi 系列(arXiv:2306.12873,发表于 npj Climate and Atmospheric Science 第 6 卷)走级联结构路线,把全球预报分解为多个区域或中期级联阶段。
在降水临近方向,DeepMind 的 NowcastNet 与生成式雷达外推模型是专门针对 0–6 小时强降水临近预报设计的,与 GraphCast 的 10 天尺度不构成竞争关系。GenCast 的原始论文则把确定性预报与集合预报的能力差距讲得很清楚,也提醒使用者注意概率预报相对确定性预报在决策价值上的差别。
与传统数值模式对比时,需要给出可核查的参照。GraphCast 的比较对象是 ECMWF HRES,论文同时引用了 ECMWF 官方对 HRES 的评估文献作为背景。HRES 本身也是不断演进的系统,2023 年后 ECMWF 转向 IFS 的更高分辨率配置并引入 ML 修正,业务基准线在这些年里持续上移。因此”优于 HRES”这一结论有明确的时间坐标,跨年份引用时须一并说明对手版本。
值得强调的是,AI 气象模型与数值模式之间的关系超出了简单的替代。社区已有一批工作把 AI 模型引入数据同化系统以改善分析场质量,另有研究把机器学习天气模型用于改进数值预报本身。这两类方向表明,AI 模型与物理模式正在形成互补的组合,未呈单向替代态势。
六、基准与数据
论文给出的可核查指标分为技巧评分、事件预报与计算效率三组。
技巧评分方面:在 1380 个检验目标中的 90% 上,GraphCast 显著优于最精确的业务确定性系统(HRES)。这里的关键是”90% 的 1380 个目标”,它是一个有分母的比例,覆盖不同变量与不同预报时效的组合,不属于单一综合评分。
事件预报方面,论文单独给出三类严重天气事件的结果:热带气旋路径、大气河、极端温度。论文的表述是其预报支持更好的严重事件预测,包括这三类。这一部分的意义在于提供按事件类型切分的证据,因为综合 RMSE 掩盖了不同变量与不同区域的能力差异。
计算效率方面,10 天全球 0.25° 预报在单台加速器上耗时不到一分钟;论文强调传统数值模式需要超算上的数小时。这一对比是 GraphCast 影响力最大的部分之一,直接来自”把 39 年的再分析资料一次性蒸馏进网络”的结构性优势,与算法层面的常数优化关系不大。
数据规模口径同样明确:训练使用 1979–2017 年的 ERA5,0.25° 分辨率、37 个气压层。评估在 HRES 分析与预报资料上进行,覆盖 2018 年及以后的时段,这也是论文选取 1979–2017 训练区间的直接原因。
计算资源口径见第三节:官方文档说明非 Mini 模型需要 H100 级别显存,Mini 版本在 P100 上可推理,实现针对 TPU 优化,GPU 上运行须切换注意力实现。
生态侧的量化证据在论文发表后大量积累。下游评测与再分析工作包括:对 GraphCast 在中等时效天气预报上的性能评估(arXiv:2606.06348)、GraphCast 在印度夏季风预报中的技巧与系统性偏差研究(arXiv:2607.11905)、基于 GraphCast 输出的数据驱动背景集合协方差评估(arXiv:2603.26703)、基于站点观测的机器学习天气模型评估(arXiv:2609.10564)、以及针对 GraphCast 内部激活的机制性分析工作(arXiv:2512.24440)。UT-GraphCast hindcast 数据集(arXiv:2506.17453)把 GraphCast 的回报(hindcast)归档为全球 AI 预报档案,便于第三方独立检验。
衍生方向包括面向太阳能资源预测的 GraphCast 扩展 Solarcast-ML(arXiv:2406.13559)、大 气 河的机制可解释性研究(arXiv:2610.07583)、以及引入非马尔可夫修正的 GraphCast-Mamba(arXiv:2610.28512)。与业务模式结合的方向包括把 37 层 GraphCast 高效微调到加拿大全球确定性模式上(arXiv:2408.14587,发表于 Artificial Intelligence for the Earth Systems,DOI 10.1175/AIES-D-24-0101.1),以及利用数据驱动天气模型改进数值天气预报的工作(arXiv:2407.06100,DOI 10.1175/WAF-D-24-0139.1)。数据同化方向则有探索机器学习天气模型用于数据同化的系统研究(arXiv:2411.14677)。
这些下游工作的共同点在于,它们都在第三方口径下重新检验 GraphCast 的表现。这一层证据比论文自身的评分更能说明模型在实际业务链条中的位置。
七、物理 AI 场景中的用法
GraphCast 在物理 AI 工作流中的用法可以分成四类。
第一类是作为高精度前处理与背景场来源。在数值模拟或工程仿真中,往往需要一个高质量的大气初始状态。GraphCast 的高精度快速预报可以作为快速前处理环节,或者作为集合扰动生成的工具,为下游的 CFD、瞬态分析、荷载评估提供输入。这类用法在电力与算力行业的场景里并不罕见——极端天气对电力设施的影响评估需要高分辨率的近地面风场与温度场。
第二类是作为代理模型基线。GraphCast 展示了一个完整的方法学样板:把物理模型的输出当作训练数据,训练一个学习模型,再把学习模型放回流程里加速迭代。这一循环的收敛性完全依赖于物理求解器的输出质量与模型对误差的容忍度。在流体与结构领域,同样的循环可以套用,详见 /zh/collections/surrogate-modeling-rom/。
第三类是作为误差诊断工具。已有人用 GraphCast 反查 ERA5 的 2 米气温误差(arXiv:2601.04701),这一用法本身就说明模型可以作为再分析资料质量审计的探针:当学习模型在某个区域、某个变量上系统偏离观测,信号很可能指向训练资料或同化系统的局部缺陷。这类”用模型反推数据”的用法在数据驱动方法的早期阶段经常被低估。若要把这类探针纳入常规数据质量审计流程,可与本站 贝叶斯反演与数据同化 集合对照阅读。
第四类是作为多模型集合的成员。GraphCast 的确定性预报可以与 GenCast 的概率预报、传统数值模式的预报共同构成多源集合,用于风险量化。在需要概率输出的决策场景(电力调度、防汛、航运)中,这种组合比单一确定性产品更有决策价值。
落到具体工程决策上,有几条实用建议。其一,在做评估时,应把 GraphCast 与同一版本的 ECMWF 业务模式对比,写明对手版本与评估时段,否则结论无法复现。其二,把按变量、按区域、按预报时效切分的技巧评分作为主要依据,不宜只依赖单一综合指标,因为模型在热带气旋、强降水等高影响场景的表现差异远大于平均 RMSE 所反映的幅度。其三,记住输出性质属于预报场,不是诊断量,其物理一致性由训练数据的性质保证,若下游需要守恒律严格成立的场,可能需要额外处理。其四,涉及对外发布预警的场景必须走官方渠道,模型输出只能作为内部输入。
八、不适用场景与失效模式
GraphCast 的失效模式与其能力来源直接对应,逐条列明比笼统提醒更有用。
第一,训练期外推问题。模型训练于 1979–2017 年的 ERA5,此后的大气状态是否被充分覆盖并无保证。气候变暖趋势、观测系统变迁、再分析同化系统的版本调整都可能让模型在近年的资料上出现漂移。2026 年 1 月有工作专门用 GraphCast 识别出 ERA5 2 米气温的系统性误差,这类研究正是针对该风险的。
第二,区域与变量上的能力不均。全球平均的技巧评分掩盖了局部的显著差距。印度夏季风这样的强季节性区域系统被单独拿出来做偏差研究(arXiv:2607.11905),说明该区域存在可识别的系统性问题。类似地,站点评估(arXiv:2609.10564)这类近地观测口径的检验也常揭示出与格点评分不同的结论。
第三,初始状态依赖。GraphCast 只做状态推进,初始状态的误差会随自回归步数累积。初始状态通常来自业务模式分析或再分析,因此 GraphCast 的效果上限由初始状态质量与模式推进误差共同决定。它并非端到端的预报系统,也就不存在”跳过模式直接预测大气”的捷径。
第四,物理过程覆盖不足。纯大气单步推进意味着海洋、陆面、雪冰、海气耦合反馈都不在模型内。热带气旋强度的快速增强过程高度依赖海面状态,这类场景的结构性缺口无法通过微调弥合。GraphCast_operational 在 HRES 上微调能吸收部分业务模式的信息,仍然不改变物理范围。
第五,边界条件处理。GraphCast 的自回归滚动在 10 天内有效,但把外推时间延长到数周乃至季节尺度会遇到训练分布外的漂移。生态位更好的模型是耦合路线,见 NeuralGCM。
第六,与业务模式直接比较的口径陷阱。HRES 自身在持续演进,ECMWF 后续转向更高分辨率的 IFS 配置并引入机器学习修正,比较基准随之移动。此外,GraphCast 使用 ERA5 训练却在 HRES 分析上评估与初始化,这种训练—评估的资料组合本身就是一个需要交代的口径细节。
第七,降水与物理量的处理细节。GraphCast_operational 明确不需要降水输入,而 solar_radiation.py 存在的理由是业务场景中必须为目标预报时效重新计算大气层顶入射太阳辐射。这两处细节说明:在业务化部署时,强迫变量的重算与输入字段的可得性都是需要专门处理的工程问题,简单套用论文的配置会出问题。
第八,使用条款与背书限制。权重许可在 2026 年 8 月 6 日更新为允许商用,早期下载的权重同样适用新条款,这一条需要向团队内部明确同步。免责声明则明确模型输出未获任何政府气象机构背书,不能取代官方警报,这一约束在对外沟通场景中尤其容易被忽略。
九、版本与口径核对
引用 GraphCast 前,有几处口径必须逐项核对。
论文与预印本的对应关系要分清。arXiv 预印本 2212.12794 于 2022 年 12 月 24 日首次提交,2023 年 8 月 4 日更新至 v2,标题为《GraphCast: Learning skillful medium-range global weather forecasting》;《科学》正式版于 2023 年 12 月 22 日刊出,标题改为《Learning skillful medium-range global weather forecasting》,卷 382 第 6677 期第 1416–1421 页,DOI 10.1126/science.adi2336,作者 18 位。两者是同一工作,标题不同,引用时按需选择。
精度表述要用准确的数字。“在 1380 个检验目标中的 90% 上显著优于最精确的业务确定性系统”是可核查的完整表述;“很多变量与时效”是它的模糊版本,引用时应换回带分母的比例。
仓库迁移路径要说清。代码最初在 deepmind/graphcast,现已并入 google-deepmind/weathernext,GraphCast 在其中以 WeatherNext 1 Graph 名义保留,文件名与检查点沿用 GraphCast 命名以保持向后兼容。旧仓库地址会重定向到新仓库,直接给出新地址更准确。
模型版本口径。仓库现有四个 release:v0.1(2023-10-31)、v0.1.1(2024-10-09)、v0.2(2026-03-30)、v0.3.0(2026-08-06)。论文原始版本是 v0.1,其后各版对 GraphCast 本体主要是适配与维护性更新,同时引入 WeatherNext 2 与 WeatherNext Cyclones 等新模型。复现论文结果应锁定 v0.1 或对应检查点。
三个检查点的口径要分清。GraphCast(0.25°、37 层气压、1979–2017 年 ERA5)是论文主模型;GraphCast_small(1°、13 层气压、更小网格、1979–2015 年 ERA5)是低算力版本;GraphCast_operational(0.25°、13 层气压、1979–2017 ERA5 预训练后 2016–2021 HRES 微调、可由 HRES 初始化、不需降水输入)是业务化版本。三者的训练数据、分辨率、层数与初始化方式各不相同,混用会导致复现失败。
许可口径有明确时间点。代码与 Colab 为 Apache-2.0,其余材料为 CC BY 4.0;模型权重的许可在 2026 年 8 月 6 日更新为允许商业使用,此前的非商业条款被替代,继续下载或使用(含此前从本仓库获取的权重)即视为接受新条款。许可状态引用需注明这一更新。
存储路径口径。权重与样例数据在 GCS 桶 dm_graphcast;GraphCast 的数据同时存在于桶顶层与 graphcast/ 子目录,顶层是为向后兼容保留的,将被删除,后续应指向 graphcast/ 子目录。
训练与评估的数据口径。主模型训练用 1979–2017 年 ERA5(0.25°、37 层气压),评估在 HRES 资料上进行,覆盖 2018 年及以后时段。“再分析训练、数值模式评估”这一组合是理解论文结论的前提。
作者与归属口径。论文 18 位作者,第一作者 Remi Lam,末位作者 Peter Battaglia,团队归属 Google DeepMind 与 Google Research。官方文档在致谢中说明与 ECMWF 等外部机构的数据合作关系,并声明这些机构对该工作不負责任、相关资料的使用须自行确认条款。
十、参考资料
- GraphCast 代码仓库(现为 WeatherNext 家族统一仓库)。https://github.com/google-deepmind/weathernext
- Lam R., Sanchez-Gonzalez A., Willson M., et al. GraphCast: Learning skillful medium-range global weather forecasting. arXiv:2212.12794, 2022. DOI:https://doi.org/10.48550/arXiv.2212.12794
- Lam R., Sanchez-Gonzalez A., Willson M., et al. Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416-1421, 2023. DOI:https://doi.org/10.1126/science.adi2336
- WeatherNext 1 Graph(GraphCast)模型文档与检查点说明。https://github.com/google-deepmind/weathernext/tree/main/docs/weathernext1_graph
- GraphCast 演示 Colab 笔记本。https://github.com/google-deepmind/weathernext/blob/main/docs/weathernext1_graph/graphcast_demo.ipynb
- WeatherNext 2 技术报告:Skillful joint probabilistic weather forecasting from marginals. arXiv:2506.10772, 2025. DOI:https://doi.org/10.48550/arXiv.2506.10772
- Alet F., Andersson T.R., Price I., et al. Operational tropical cyclone forecasting with AI. Nature, 2026. DOI:https://doi.org/10.1038/s41586-026-10953-2
- Price I., Sanchez-Gonzalez A., Alet F., et al. Probabilistic weather forecasting with machine learning. Nature, 637(8044), 84-90, 2024. DOI:https://doi.org/10.1038/s41586-024-08252-9
- Bi K., Xie H., Zhang H., et al. Pangu-Weather: A 3D high-resolution model for fast and accurate global weather forecast. arXiv:2211.02556, 2022. DOI:https://doi.org/10.48550/arXiv.2211.02556
- Chen L., Zhong X., Zhang F., et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature, 619, 533-538, 2023. DOI:https://doi.org/10.1038/s41586-023-06185-3
- Pathak J., Subramanian P., Harrington P., et al. Learning to simulate complex physics with graph networks. arXiv:2202.07575, 2022. DOI:https://doi.org/10.48550/arXiv.2202.07575
- Kurth T., Subramanian P., Harrington J., et al. FourCastNet: Accelerating Global High-Resolution Weather Forecasting Using Adaptive Fourier Neural Operators. Proceedings of the Platform for Advanced Scientific Computing Conference, 2023. DOI:https://doi.org/10.1145/3592979.3593412
- Chen L., Zhong X., Zhang F., et al. FuXi: a cascade machine learning forecasting system for 15-day global weather forecast. npj Climate and Atmospheric Science, 6, 2023. DOI:https://doi.org/10.1038/s41612-023-00512-1
- Zhang J., Kurth T., Alet F., et al. GraphDOP: Towards skilful data-driven medium-range weather forecasts learned and initialised directly from observations. arXiv:2412.15687, 2024. DOI:https://doi.org/10.48550/arXiv.2412.15687
- Price I., Alet F., Sanchez-Gonzalez A., et al. GenCast: Diffusion-based ensemble forecasting for medium-range weather. arXiv:2312.15796, 2023. DOI:https://doi.org/10.48550/arXiv.2312.15796
- Kochkov A., Yuval J., Langmore I., et al. Neural general circulation models for weather and climate. Nature, 632, 1060-1066, 2024. DOI:https://doi.org/10.1038/s41586-024-07744-y
- Price I., Sanchez-Gonzalez A., Alet F., et al. Skilful nowcasting of extreme precipitation with NowcastNet. Nature, 619, 526-532, 2023. DOI:https://doi.org/10.1038/s41586-023-06184-4
- Zhang Y., Zhang S., et al. GenCast 类模型的季节预报应用:Seasonal forecasting using the GenCast probabilistic machine learning model. Climate Dynamics, 64, 2026. DOI:https://doi.org/10.1007/s00382-026-08077-4
- Efficient fine-tuning of 37-level GraphCast with the Canadian global deterministic prediction system. Artificial Intelligence for the Earth Systems, 2024. DOI:https://doi.org/10.1175/AIES-D-24-0101.1
- Leveraging data-driven weather models for improving numerical weather prediction. Weather and Forecasting, 2024. DOI:https://doi.org/10.1175/WAF-D-24-0139.1
- UT-GraphCast Hindcast Dataset: A Global AI Forecast Archive from UT Austin. arXiv:2506.17453, 2025. DOI:https://doi.org/10.48550/arXiv.2506.17453
- Error in ERA5 2m Temperature identified using GraphCast. arXiv:2601.04701, 2026. DOI:https://doi.org/10.48550/arXiv.2601.04701
- GraphCast Skill and Systematic Biases in Indian Summer Monsoon Forecasts. arXiv:2607.11905, 2026. DOI:https://doi.org/10.48550/arXiv.2607.11905
- Mechanistic Interpretability of Atmospheric Rivers in GraphCast. arXiv:2610.07583, 2026. DOI:https://doi.org/10.48550/arXiv.2610.07583
- WeatherBench2 数据指南(ERA5 与 HRES 获取方式)。https://weatherbench2.readthedocs.io/en/latest/data-guide.html