项目简介
WeatherNext 是谷歌 DeepMind 推出的全球中期天气预报与气旋追踪 AI 模型套件，包含最新的 WeatherNext 2 以及早期的 GraphCast 和 GenCast。仓库提供代码、预训练权重和文档，可用于运行预测。
README 预览
# WeatherNext\n\n## WeatherNext 2\n\nThis repo contains the code for WeatherNext 2 (WN2), the global, medium-range\natmospheric and cyclone forecasting model developed by Google DeepMind and\nGoogle Research.\n\nIt also contains code for prior generation models\n[GraphCast](https://deepmind.google/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/)\nand\n[GenCast](https://deepmind.google/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/).\n\n### Accessing Forecast Data Feeds\nIf you are interested in directly accessing daily data feeds of WN2 model\noutputs rather than running the model yourself, we provide them across multiple\nplatforms:\n\n* [Google Cloud](https://developers.google.com/weathernext/guides/access-forecast)\n(including Earth Engine, BigQuery, and Vertex AI).\n* [WeatherLab](https://deepmind.google.com/science/weatherlab) (including cyclone tracks).\n* [OpenMeteo](https://open-meteo.com/en/docs/google-weathernext-api) (including an API and interactive builder).\n\n### Learn More\n\n* **Model Guide & Documentation:** [Google Developers WeatherNext Guide](https://developers.google.com/weathernext/guides/models)\n* **WeatherNext Cyclones Paper:** [Operational tropical cyclone forecasting\n with AI](https://www.nature.com/articles/s41586-026-10953-2)\n* **FGN/WN2 Technical Report:** [Skillful joint probabilistic weather\n forecasting from marginals\n (arXiv:2506.10772)](https://arxiv.org/abs/2506.10772)\n* **WeatherNext 2 Blog Post:** [WeatherNext 2: Our most advanced weather forecasting model](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/weathernext-2/)\n* **WeatherNext Cyclones Blog Post:** [WeatherNext: AI model achieves breakthrough in forecasting cyclones](https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/)\n\n### Older Models\n\nThis repository serves as the primary home for the Weathe
常见问题 (5)
故障排除如何在保留 batch 维度的同时，从 xarray 变量中移除 batch 坐标？
使用 drop_vars() 可以在不移除维度的情况下移除维度坐标：
xr_dataset = xr_dataset.drop_vars("batch")这样 batch 仍然是 Temp 和 datetime 的维度，但它会变成一个没有坐标的维度，与示例 NetCDF 文件一致。
或者，在创建 Dataset 时省略 batch：
coords = {
"time": ("time", times),
"channel": [0],
"lon": ("lon", lons),
"lat": ("lat", lats),
"datetime": (("batch", "time"), [datetimes]),
}即使 batch 未在 coords 中定义，batch 维度仍会从变量的形状中推断出来。
informationalGraphCast 业务化微调使用的目标数据集是什么？
在 GraphCast_operational 微调中，降水目标数据来自 ERA5，而所有其他变量使用 HRES-fc0 场。损失是在 GraphCast 输出与这些混合目标之间计算的——而不是对所有变量都使用 ERA5。
故障排除如何修复安装 Graphcast 时出现的 "AttributeError: module 'jax.stages' has no attribute 'OutInfo'" 错误？
这是由 master.zip 快照中不兼容的 Graphcast/JAX 版本导致的，已在最近的 Graphcast 提交中修复。请重新安装最新源代码，然后重启 Python/Colab 运行时：
pip install --upgrade --no-cache-dir https://github.com/google-deepmind/graphcast/archive/master.zip或者，直接从 Git 安装：
pip install --upgrade --no-cache-dir git+https://github.com/google-deepmind/graphcast.git安装完成后，重启内核/运行时并重新导入 Graphcast。如果你的环境固定了 JAX 版本，请确保其与最新的 Graphcast 版本兼容，而不要使用单独升级的 JAX 版本。
故障排除如何使用最新的 ERA5 数据运行 GraphCast，同时保持预处理和归一化与预训练检查点一致？
您不必只使用官方提供的历史 GraphCast 格式数据。请构建一个 ERA5 转换流水线，并首先对照官方示例数据对其进行验证：(1) 下载所提供的 GraphCast 示例数据集已涵盖日期的原始 ERA5 数据；(2) 使用与预训练模型相同的变量选择、气压层、网格、单位、时间处理和归一化方法对其进行转换；(3) 将您的输出与官方示例进行比较，直至完全一致；(4) 转换器验证通过后，在更新的 ERA5 分析数据上运行相同且未经修改的代码。这种精确匹配验证是推荐的方法，可确保最新的输入数据与预训练 checkpoint 在科学和技术层面均兼容。
故障排除如何在多个 GPU 或一个 TPU v3-8 上运行 GraphCast 高分辨率推理而不会内存不足？
GraphCast 目前不支持单次预报的模型并行推理。xarray_jax.pmap 只能在批次维度上将工作分配到多个设备，因此每个设备仍需加载完整模型；它不会对 GNN 进行分片，也不会降低单个高分辨率样本的内存占用。请使用至少 24 GB 显存的 GPU，或使用每个芯片提供 32 GB 显存的 TPU v4。TPU v3 每个芯片仅有 16 GB 显存，即使在 v3-8 上也可能出现 OOM。对于低内存推理，可以尝试社区项目 graphcast-lite，据报告该项目可在 RTX 2080 上使用 float32 运行 0.25° 分辨率、37 个气压层的预报：https://github.com/VectorElectron/graphcast-lite。仅当您有多个独立的预报需要作为批次运行时，才使用 pmap。