Pangu-Weather:三维地球特定 Transformer 的全球中期天气预报

新
许可证: 训练权重为 CC BY-NC-SA 4.0(禁止商用);仓库未附 LICENSE 文件,代码许可未声明 · 更新于 2026-11-16
我的评分

简介

Pangu-Weather 由华为云的 Kaifeng Bi、Lingxi Xie、Hengheng Zhang、Xin Chen、Xiaotao Gu 与 Qi Tian 六人团队提出,是首个在全部被测变量与全部提前期上,精度同时超过 ECMWF 业务数值预报系统的全球中期天气预报模型。它在 0.25°×0.25° 的网格上一次性输出未来 1 小时到 1 周的全球预报,单次 5 天预报在单张 GPU 上的推理时间约 1400 毫秒。

文献有两个正式版本。Nature 正式论文题为《Accurate medium-range global weather forecasting with 3D neural networks》,刊于 2023 年 7 月 5 日,卷 619,页码 533–538,DOI 10.1038/s41586-023-06185-3,采用 CC BY 4.0 开放许可。更早的 arXiv 预印本 2211.02556 于 2022 年 11 月 3 日发布,v1 至今未见新版本;论文正文注明 arXiv 版含更多技术细节,Nature 版含部分新增图件。仓库同时提供 Zenodo 归档(DOI 10.5281/zenodo.7678849,标注为 v1.0,2023 年 2 月 26 日发布)。

官方仓库为 198808xc/Pangu-Weather,创建于 2023 年 1 月 11 日,最后一次代码推送停在 2024 年 1 月 12 日;截至本次核验约 1402 个 star、242 个 fork、54 个未关闭 issue,主语言 Python,仓库未被归档,默认分支 main。仓库整体规模很小,只有 11 个条目:一份 README、三个 constant_masks/*.npy 常量掩膜文件、三个推理脚本、一份 pseudocode.py 算法伪代码,以及两份 requirements 文件。

许可需要单独强调:仓库根目录没有 LICENSE 文件,GitHub API 返回的 license 字段为空值,README 只声明训练好的参数按 BY-NC-SA 4.0 发布并写明「这些模型的商业使用被禁止」。也就是说,权重许可明确且禁止商用,代码许可则处于未声明状态,使用代码前需要自行确认授权边界。README 同时提醒,全部模型使用 ECMWF 的 ERA5 数据训练,须遵守对应的 Copernicus 条款。

在本站的收录体系里,Pangu-Weather 属于纯数据驱动的 AI 天气预报路线,与 GraphCast 条目、FourCastNet 条目 同属一代;而 NeuralGCM 条目 走了保留动力核的混合路线,技术选择完全不同。

原理与工作方式

Pangu-Weather 的技术贡献集中在两点:把气压层高度维度显式引入网络的 3D Earth-Specific Transformer(3DEST) 架构,以及用分层时间聚合算法缓解迭代累积误差。

3D 化输入。模型输入为两个数组:地表变量 4 个(MSLP、U10、V10、T2M),高空变量 5 个(Z、Q、T、U、V)分布在 13 个气压层上,空间分辨率 0.25°,经纬网格 1440×721(极点不重叠)。论文指出 ERA5 完整数据包含 37 个气压层、每层 21 个变量以及地表的 262 个变量,为控制算力开销而只选取上述 13 层与 9 个变量。

Patch 划分与编解码结构。高空变量的 patch 大小为 2×4×4(高度×纬度×经度),地表变量为 4×4;滑动窗口步长与 patch 同尺寸,不足处补零。编码器与解码器各 8 层,前 2 层在全分辨率特征图(8×360×181)上运算,后 6 层在半分辨率(8×180×91)上运算并把通道数由 192 提升到 384。patch 嵌入与 patch 恢复是两组独立参数。

窗口注意力与地球特定位置偏置。为降低计算量,模型继承视觉 Transformer 的窗口注意力机制,把特征图切成每窗最多 2×12×6 个 token 的窗口,并在窗口内做自注意力与移位窗口交替。关键改造是地球特定位置偏置:偏置按纬度、高度与经度分块学习,不同纬度与高度层的 token 空间关系各不相同。论文给出的量化结论是,首个模块的可学习参数量因此从 (2W_pl−1)×2(W_lat−1)×(2W_lon−1) 增至 M_pl×M_lat×W_pl²×W_lat²×(2W_lon−1),约放大 527 倍;同时该改造不增加 FLOPs,且因为引入了有用先验,模型在训练中收敛更快。

分层时间聚合。团队没有训练一个长提前期模型,而是分别训练提前期 1、3、6、24 小时的四个独立网络(论文中记为 FM1/FM3/FM6/FM24),推理时用贪心算法组合以最少迭代次数达成目标提前期。例如 7 天预报执行 24 小时模型 7 次,23 小时预报则执行 6 小时模型 3 次、3 小时模型 1 次、1 小时模型 2 次。相比 FourCastNet 那种同时计算 f(A) 与 f(f(A)) 并叠加两个损失项的做法,这种设计省去一半显存占用,也避免了训练递归网络可能带来的不稳定。

训练细节。损失函数为 MAE,地表项权重取 0.25;优化器为 Adam,学习率 5e-4,权重衰减 3e-6;DropPath 比率随网络深度从 0 线性升至 0.2。四个模型各训练 100 个 epoch,每个模型的完整训练耗时 16 天,使用 192 张 NVIDIA Tesla V100;README 另给出总体口径——训练每个模型需下载约 60 TB ERA5 数据并准备约 3000 个 V100 GPU 日。论文明确承认在 100 个 epoch 结束时训练尚未完全收敛,受算力预算限制未能继续。

集合预报。团队沿用 FourCastNet 的做法,对初始状态加随机 Perlin 噪声:生成 99 个与初始场同尺寸的噪声向量,扰动幅度系数 η=0.2,与不加噪声的控制成员合计 100 个成员,取平均作为集合结果。论文同时说明没有尝试另一条路线——对模型参数加扰动,理由是深度网络含数亿参数且对随机种子等训练随机因素高度敏感,难以按特定目的做定向扰动。

适用边界与前提

许可前提是最先需要确认的一条。权重按 CC BY-NC-SA 4.0 发布且明确禁止商用;仓库无 LICENSE 文件,代码授权状态未声明;训练数据受 Copernicus 条款约束,商业产品化路径因此在当前许可下并不通畅。

初始场前提。README 只支持两类初始场:ERA5 再分析,以及 ECMWF 业务初始场(例如 HRES 预报的初始场),后者通常带来轻微的精度差异。团队明确表示暂不支持其他类型的初始场,原因是当 Z 值为负时各字段可能出现剧烈差异。

数据格式前提。输入数组必须是单精度(需 astype(np.float32)),形状固定为地表 (4, 721, 1440)、高空 (5, 13, 721, 1440);纬度从 90 到 −90,经度从 0 到 359.75。变量顺序与气压层顺序都是硬性的:地表依次为 MSLP、U10、V10、T2M;高空依次为 Z、Q、T、U、V;13 个气压层依次为 1000、925、850、700、600、500、400、300、250、200、150、100、50 hPa。位势 Z 表示的是位势本身,并非位势高度,若原始数据给的是位势高度,需乘以 9.80665 转换。

硬件与运行环境前提。GPU 环境要求 CUDA 11.6,cuDNN 在 Linux 下为 8.2.4、Windows 下为 8.5.0.96;CPU 版通过 requirements_cpu.txt 安装。显存方面,社区 issue #63 报告在 12 GB 显存的 RTX 3060 上推理显存不足,说明 1.1 GB 量级权重的推理实际占用远高于文件体积。

训练能力前提。仓库只发布推理代码与伪代码,没有训练实现。issue #58(2024 年 1 月 12 日提出,1 条回复)询问训练代码与 Lite 版本权重是否会发布,至本次核验仍是未关闭状态,仓库文档中也没有承诺时间表。README 虽给出训练所需的数据量与 GPU 日预算,但没有可直接运行的训练脚本。

Lite 版本的前提。README 给出 Pangu-Weather-lite 的实现要点:训练数据压缩为 2007–2017 共 11 年、只使用每日 00 UTC 单一时点(完整版本使用一天全部 24 个时点)、第一阶段降采样率由 2×4×4 调整为 2×8×8、只训练一个 24 小时模型、epoch 可保持 100 或减半为 50(余弦退火计划相应调整)。团队同时写明 lite 版本只在 00 UTC 数据上训练与测试,其他时点的表现没有保证,变量与日内的相关性也不确定,因此 lite 版本不适合直接用于日常预报。

上手路径

目录结构。README 给出的层级非常扁平:root 下放 input_data(内含 input_surface.npy 与 input_upper.npy)与 output_data 两个目录,四个 ONNX 模型文件 pangu_weather_1/3/6/24.onnx 置于根层,再放三个推理脚本。

下载权重。四个 ONNX 模型各约 1.1 GB,提供 Google Drive 与百度网盘两个下载入口。ONNX 格式的另一个好处是可以脱离 Python 使用,C++、C#、Java 等语言均可接入。

准备输入。ERA5 的 .nc 文件用 netCDF4 包转换为 .npy,ECMWF 业务初始场的 .grib 用 pygrib 包转换。README 也提供了一组现成的示例输入文件,对应 2018 年 9 月 27 日 12 UTC 的 ERA5 初始场。

执行推理。inference_cpu.py 给出 CPU 环境下用 24 小时模型做一次 24 小时预报的示例,inference_gpu.py 是 GPU 版本,inference_iterative.py 演示如何在一周内逐步生成每 6 小时的预报。三个脚本都需先安装对应的 requirements 文件。

自行实现。pseudocode.py 是完整算法伪代码,用 Python 写成但从你的深度学习库(PyTorch、TensorFlow 等)导入算子,可作为二次开发的参照,其中明确给出了 100 个 epoch、MAE 损失与地表权重 0.25、学习率 5e-4 与权重衰减 3e-6 等设置。

第三方工具包。ECMWF 在 2023 年 5 月 12 日发布了 ecmwf-lab/ai-models-panguweather 仓库(Apache-2.0,最后推送 2024 年 9 月 24 日,约 116 个 star),提供运行 Pangu-Weather 的工具包;README 也提到 ECMWF 开放数据(open data)可分发模型与初始场,供用户自行运行。

业务运行状态的最新变化。这是使用时必须纳入考虑的一条:ECMWF 于 2026 年 5 月 11 日发布博客《Farewell to the external AI models》,宣布随 IFS 50r1 的实施停止实时运行外部 AI 模型。2026 年初在 ECMWF 每日 00 与 12 UTC 运行的外部模型包括 Pangu-Weather(华为)、GraphCast(Google DeepMind)、Aurora(Microsoft Research)与 FourCastNet(NVIDIA)。博客指出,基于 PanguWeather 与 FourCastNet 的图表(例如 T850)不再出现在 openCharts 上,但用户仍可通过 ECMWF 开放数据自行运行这些模型获取预报。因此早前「已纳入 ECMWF 业务化运行」一类表述需要按此时间线限定。

横向对比

与 ECMWF 业务 IFS 对比,这是 Pangu-Weather 论文的核心论断。Z500 的 3 日与 5 日 RMSE(业务 IFS 分别为 152.8 与 333.7)被降至 134.5 与 296.7;T850 的 3 日与 5 日 RMSE(IFS 为 1.37 与 2.06)被降至 1.14 与 1.79;T2M 的 3 日与 5 日 RMSE(IFS 为 1.34 与 1.75)被降至 1.05 与 1.53;U10 的 3 日与 5 日 RMSE(IFS 为 1.94 与 2.90)被降至 1.61 与 2.53。论文称所有场景下 RMSE 相对下降均超过 10%,折算为约 10–15 小时的预报时效增益。

与 FourCastNet 对比,增益更大。论文指出 FourCastNet 使用单模型与 100 成员集合时 5 日 Z500 的 RMSE 分别为 484.5 与 462.5,而 Pangu-Weather 在上述场景下 RMSE 相对下降超过 30%,时效增益扩大到 36 小时以上。

与同期其他 AI 模型对比。与 GraphCast 条目 的图网络路线相比,两者都在 0.25° 上做全球中期预报,GraphCast 于 2023 年发表于 Science,走球面图网格与消息传递的路线;Pangu-Weather 走规则网格加三维 Transformer 的路线,在早前的评测中占据精度优势。

与混合路线对比。NeuralGCM 条目 保留了可微分动力核,用学习模块参数化未解析过程,因此在长时间积分稳定性与气候模拟上更可控;Pangu-Weather 走的是纯数据驱动路径,迭代误差无法通过守恒律自动抑制,这也是它需要分层时间聚合算法来缓解累积误差的原因。

集合与单成员对比。100 成员集合在短时效(如 1 日)上略逊于单成员确定性预报,在 5 日以上则显著优于确定性预报。7 日预报的纬向加权 RMSE 中,Z500 从 500.3 降至 450.6,U10 从 3.48 降至 2.96,相对降幅分别为 10% 与 15%;集合对 500 hPa 比湿、10 m 风这类非平滑变量收益更明显。

ECMWF 的独立评测。ECMWF 于 2023 年 7 月发布技术报告 arXiv 2307.10128,对 PanguWeather 做了首次与业务 NWP 同初始条件下的对比评测。结论是双面的:全球指标与极端事件上的精度与 IFS 相当,夏季极端温度的判别能力(AUC)优于 IFS,且 75%–90% 分位上的差异具备统计显著性;同时报告明确列出三项缺陷——预报场过度平滑、小尺度阻尼明显;偏差随提前期增长快于 IFS 与 ERA5;热带气旋强度预报明显偏低。

在本站语境中的定位。作为推理代价极低的确定性全球模型,它天然属于数值预报代理模型集合所讨论的「用训练好的代理替代昂贵求解」这一类;其 1400 毫秒级推理与 100 成员集合能力则对应性能工程集合关注的算力效率议题;作为三維场建模与代理模型构建的参考实现,它也属于物理基础模型集合覆盖的数据驱动路线。

基准与数据

数据划分。训练使用 ERA5 中 1979–2017 共 39 年的逐小时再分析数据,2019 年用于验证,2018、2020、2021 年用于测试。论文正文另有一句「下载 43 年(1979–2021)全球天气数据」的表述,指的是数据下载范围,训练实际使用 39 年,两者口径不同,引用时需写明。

评测指标为纬向加权 RMSE 与 ACC(距平相关系数),气候态由训练数据 39 年的长期均值估计。

关键数值。3 日与 5 日 RMSE 对照如下:Z500 为 IFS 152.8 / 333.7 对 Pangu-Weather 134.5 / 296.7;T850 为 1.37 / 2.06 对 1.14 / 1.79;T2M 为 1.34 / 1.75 对 1.05 / 1.53;U10 为 1.94 / 2.90 对 1.61 / 2.53。论文补充了把 2018 年 12 月数据一并纳入后的数字:Z500 为 133.9 与 294,T850 为 1.13 与 1.77。

热带气旋路径。评测集 TC2018 取 2018 年同时出现在 IBTrACS 与 ECMWF-HRES 预报中的 88 个命名气旋:Pangu-Weather 的 3 日与 5 日平均直接路径误差为 120.29 km 与 195.65 km,ECMWF-HRES 对应为 162.28 km 与 272.10 km。个案上,台风 Yutu 的路径被提前 48 小时正确预测。

推理速度。论文给出的口径是单次推理在单 GPU 上约 1400 毫秒,比业务 IFS 快 10000 倍以上,与 FourCastNet 相当。注意方向:是 Pangu-Weather 比 IFS 快,方向不能弄反。

参数量与训练预算。四个模型合计约 2.56 亿参数,单个网络约 6400 万参数;每个模型训练 16 天,使用 192 张 V100。

Lite 版本结果(README 表格口径,仅在 00 UTC 时点测试):IFS 的 Z500 3 日与 5 日为 152.8 / 333.7;完整版 Pangu-Weather 为 134.5 / 296.7(39 年训练、2×4×4 降采样、100 epoch、192×16 GPU 日);Lite1 为 163.1 / 338.2(11 年、2×8×8、100 epoch、8×6 GPU 日);Lite2 为 177.9 / 357.5(11 年、2×8×8、50 epoch、8×3 GPU 日)。T850 方面 Lite1 为 1.29 / 1.96、Lite2 为 1.36 / 2.05;T2M 为 1.16 / 1.64 与 1.24 / 1.71;U10 为 1.80 / 2.74 与 1.90 / 2.84。README 的结论是:在仅测试 00 UTC 时点的条件下,lite 版本在 T850、T2M 与 U10 上可以超过业务 IFS,同时算力成本不足完整版的 1%。

集合预报数值。100 成员集合的 7 日 Z500 纬向加权 RMSE 由确定性预报的 500.3 降至 450.6,U10 由 3.48 降至 2.96,相对降幅分别为 10% 与 15%;集合对 500 hPa 比湿这类非平滑变量的收益比 Z500 更明显。论文给出的集合口径是 99 个加噪成员加 1 个控制成员,扰动幅度系数 η=0.2,并明确指出未尝试参数扰动路线,原因是深度网络参数规模庞大且对训练随机因素高度敏感。

物理 AI 场景中的用法

作为快速代理模型是它最直接的用法。1400 毫秒级的一次 5 天预报,配合 1.1 GB 量级的权重和纯 ONNX 交付方式,使它适合放进参数扫描、敏感性试验、情景推演这类需要成百上千次全球积分的流程里——传统 IFS 在这个量级上代价不可接受。这类「以训练模型替代数值求解」的应用与本站数值代理模型集合的核心议题一致。

集合能力是被低估的一项。因为单次推理便宜,100 成员集合的边际成本可以忽略,而论文显示集合在 5 日以上的时效上明显优于确定性预报。对需要概率型输出的下游场景(例如航运窗口、农业调度、能源负荷预测)而言,这条路径比单成员输出更有实用价值。

三维场建模的可迁移构件。把气压层作为显式第三维、配合地球特定位置偏置按纬度与高度学习不同 token 空间关系,这套做法不局限于气象。对本站多物理场工程设计这类需要在体网格上做多物理量耦合的课题,3DEST 提供的「规则网格 + 高度维度 + 纬度相关偏置」是一个可直接借鉴的结构;而分层时间聚合算法则是应对多步迭代累积误差的一种通用工程解法,与数值与求解器集合关注的问题同源。

极端事件跟踪。台风路径误差的定量改进说明,这类模型在路径类问题(相对位置量)上的收益可能大于在强度类问题上的收益。对于业务上更关心「会不会影响某区域」的决策场景,这一分工值得被利用。

不适用场景与失效模式

商用场景受许可限制。权重按 CC BY-NC-SA 4.0 发布并明确禁止商业使用,仓库又缺少 LICENSE 文件导致代码授权未声明。面向商业产品的落地需要先解决许可问题,这与物理基础模型集合中已收录条目普遍采取「代码开放、权重可商用」的安排,存在差别。

小尺度阻尼与过度平滑。ECMWF 的独立评测明确指出 PanguWeather 预报在统计上可测得小尺度平滑,个案例中 PGW 的图面比 IFS 更平滑、缺少小尺度结构。这一现象与 MSE/MAE 类损失抑制大胆预报的机理一致,直接后果是难以刻画对流性降雪、阵风等局地强天气。

偏差随提前期增长更快。同一份评测发现 PGW 的偏差随提前期上升的速度快于 IFS 与 ERA5,说明长时间段的系统偏差校正不能沿用 IFS 的经验。

热带气旋强度明显低估。ECMWF 评测将这一点单列为缺陷。论文自身的对比也只覆盖路径误差,未给出强度指标;TC 路径的相对优势因此不能外推到强度预报。

缺少降水预报。ECMWF 2026 年的博客把「缺少降水预报」列为 Aurora 与 PanguWeather 限制实用性的原因之一。对以降水为关键输入的场景,这属于能力边界,不属于配置问题。

训练与二次开发受限。训练代码未发布(issue #58),lite 版权重亦未发布,二次训练、自行微调、以及论文设想的「子模型」路线都缺少起点。

推理环境与一致性存疑。issue #63 报告 12 GB 显存不足;issue #66 指出推理时似乎并未使用仓库中提供的三个常量掩膜文件(land_mask.npy、soil_type.npy、topography.npy),团队未在文档中说明掩膜的使用方式;issue #74 报告地表输出量级异常。这三条都是当前未关闭的社区反馈,复现时需要自行核对。

维护活跃度偏低。最后一次代码推送为 2024 年 1 月 12 日,此后至本次核验未再有推送,54 个 issue 未关闭。作为一个已进入商用阶段并被官方机构长期并行运行的模型,这一维护节奏与其生态影响力并不匹配。

业务背书已按时间线变化。ECMWF 已在 2026 年 5 月 11 日宣布随 IFS 50r1 停止实时运行外部 AI 模型,openCharts 上的 PanguWeather 图表下线。官方实时并行评测这一最强外部验证来源已经结束,后续模型质量变化只能依赖自行评测。

训练未完全收敛。论文自身写明 100 个 epoch 结束时训练尚未收敛,也未做穷尽的消融实验,团队认为仍存在精度更高的配置。

版本与口径核对

三个标题版本并存。Nature 正文标题为《Accurate medium-range global weather forecasting with 3D neural networks》;arXiv 元数据标题为《Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast》,而 arXiv PDF 页眉写作《…A 3D High-Resolution System for Fast and Accurate Global Weather Forecast》;README 引用时使用的是含「Model」的一版。引用时须写明具体版本。

更正声明。论文在 Methods「Mathematical settings」一节把 N_lon 与 N_lat 写反,已由 Author Correction 更正,更正文发表于 Nature 卷 621、页 E45,2023 年 9 月 14 日,DOI 10.1038/s41586-023-06545-z,原文 HTML 与 PDF 均已修订。

训练年数口径。摘要中的「43 年」指 1979–2021 的数据下载范围,正文训练实际用 1979–2017 共 39 年,验证 2019 年,测试 2018、2020、2021 年。两个数字不可混用。

推理速度方向。1400 毫秒是 Pangu-Weather 单次推理在单 GPU 上的耗时,含义是它比业务 IFS 快 10000 倍以上,与 FourCastNet 相当。

时效增益口径。相对 IFS 约 10–15 小时,相对 FourCastNet 超过 36 小时;两者基准不同,不可互换。

许可分层。论文正文为 CC BY 4.0;训练权重为 CC BY-NC-SA 4.0 并禁止商用;仓库根目录无 LICENSE 文件,GitHub API 的 license 字段为空;ECMWF 的运行工具包 ecmwf-lab/ai-models-panguweather 为 Apache-2.0。四者分属不同对象,引用与落地前须分别确认。

集合口径。100 成员由 99 个 Perlin 噪声扰动成员加 1 个控制成员构成,扰动幅度系数 η=0.2。

ECMWF 运行状态时间线。2023 年 5 月 12 日 ECMWF 发布运行工具包仓库;README 于 2023 年 7 月 17 日宣布 Pangu-Weather 上线 ECMWF 业务套件、无需运行代码即可查看 10 天全球预报;2026 年初每日 00 与 12 UTC 并行运行 Pangu-Weather、GraphCast、Aurora、FourCastNet 四个外部模型;2026 年 5 月 11 日宣布随 IFS 50r1 停止实时运行外部模型,openCharts 相关图表下线,模型本身仍可通过 ECMWF 开放数据自行运行。

IFS 升级实验的分组结论。ECMWF 用 2026 年 1 月 21 日至 3 月 20 日的 50r1 预备业务分析场初始化模型、以 50r1 分析场验证,与 49r1 初始化并验证的结果对比:PanguWeather 与 FourCastNet 受影响中性;GraphCast、Aurora 与 AIFS v1.1 性能下降,原因是含微调步骤的模型对初始分析场更敏感。PanguWeather 的初始场敏感性较低,这是其在该轮升级中的有利特征。

Lite 版本的评测条件。Lite 结果全部基于 00 UTC 单一时点的训练与测试,其他时点无保证。

参考资料

  1. Nature 正式论文:《Accurate medium-range global weather forecasting with 3D neural networks》,卷 619,页 533–538,2023 年 7 月 5 日,DOI 10.1038/s41586-023-06185-3,CC BY 4.0。
  2. Author Correction:《Correction to: Accurate medium-range global weather forecasting with 3D neural networks》,Nature 卷 621,页 E45,2023 年 9 月 14 日,DOI 10.1038/s41586-023-06545-z。
  3. arXiv 预印本:《Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast》,arXiv 2211.02556 v1,2022 年 11 月 3 日。
  4. Pangu-Weather 官方仓库:https://github.com/198808xc/Pangu-Weather ,含推理脚本、伪代码与常量掩膜,未附 LICENSE 文件。
  5. Zenodo 软件归档:DOI 10.5281/zenodo.7678849 ,198808xc/Pangu-Weather: v1.0,2023 年 2 月 26 日。
  6. ECMWF 运行工具包仓库:https://github.com/ecmwf-lab/ai-models-panguweather ,Apache-2.0。
  7. ECMWF 技术报告:《The rise of data-driven weather forecasting》,arXiv 2307.10128,2023 年 7 月 19 日。
  8. ECMWF 博客:《Farewell to the external AI models》,2026 年 5 月 11 日。
  9. ERA5 再分析数据集论文:《The ERA5 global reanalysis》,Quarterly Journal of the Royal Meteorological Society,2020 年。
  10. Pathak J. 等,《FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators》,arXiv 2202.11214,2022 年。
  11. GraphCast 论文:《Learning skillful medium-range global weather forecasting》,Science 卷 382,页 1416–1421,2023 年。
  12. IBTrACS 热带气旋最佳路径数据集(第四版),用于热带气旋路径评测。
  13. ECMWF TIGGE 归档,业务 IFS 与 ECMWF-HRES 预报下载来源。
  14. Copernicus 数据许可条款:https://apps.ecmwf.int/datasets/licences/copernicus/ 。
  15. Creative Commons BY-NC-SA 4.0 许可全文:https://creativecommons.org/licenses/by-nc-sa/4.0/ 。
  16. ECMWF 开放数据分发页,用于自行获取模型与初始场。
标签: