GraphCast
PulseAugur coverage of GraphCast — every cluster mentioning GraphCast across labs, papers, and developer communities, ranked by signal.
- 2026-06-02 research_milestone A new paper demonstrates machine learning models can achieve skillful deterministic weather forecasts beyond 30 days. 来源
1 天有情绪数据
-
AI天气模型在极端事件预测方面落后于基于物理学的方法
GraphCast、PanguWeather和Fuxi等AI天气模型在预测日常天气状况方面显示出潜力，在某些情况下甚至优于传统的基于物理学的方法。然而，一项最新研究表明，这些AI模型在准确预测极端天气事件方面仍然存在困难，与成熟的基于物理学的方法相比，往往表现不佳。研究强调，尽管AI在天气预报方面取得了进步，但尚未完全复制基于物理学模型在预测恶劣天气现象方面的准确性。
-
深度神经网络在科学数据压缩方面表现不一
一篇新研究论文探讨了使用深度神经网络压缩大型科学数据集的应用，特别是在气候领域。该研究将VAEformer、GraphCast和Aurora等模型整合到传统的压缩流程中。尽管这些机器学习预测器在重建质量（高达91%）和某些变量的压缩率（高达9.6倍）方面显示出显著的改进，但它们并未提高整体数据集级别的压缩率。研究结果表明，仅有预测精度是不够的，残差的空间结构对于高效的熵编码至关重要。
-
天气模型研究揭示了有利于更宽架构的标度律
一篇新的研究论文探讨了数据驱动的全球天气模型的标度律，分析了性能与模型大小、数据集大小和计算预算的关系。研究发现，天气模型倾向于更宽的架构而非更深的架构，并且在固定的计算预算下，增加训练数据比增加模型大小能带来更大的性能提升。具体而言，Aurora模型表现出强劲的数据标度行为，训练数据增加10倍可导致验证损失降低3.2倍。
-
GraphCast AI 在巴西天气预报中表现好坏参半
一项新研究评估了 Google 的 GraphCast AI 模型在巴西中程天气预报中的性能。研究发现，GraphCast 的有效性因季节和特定气候区域而异。虽然它在夏季湿季能很好地捕捉大尺度水汽输送，但在预测南半球冬季的某些变量时表现不佳，尤其是在涉及复杂天气系统时。
-
机器学习预测天气超过30天
研究人员已证明，机器学习模型可以将确定性天气预报的技能延长到传统的两周极限之外。通过优化GraphCast模型的初始条件，他们在十天内的误差减少了86%，并且在超过30天后仍具有可用技能。该方法揭示了大规模的大气校正，并将其应用于Pangu-Weather模型时，误差减少了21%。研究结果表明，在远超两周的范围内进行有技能的确定性预报是可能的，尽管实时应用于业务预报仍需进一步研究。
-
新AI模型PEAR采用等面积网格改进天气预报
研究人员开发了PEAR，一个直接在分层等面积等纬度像素化（HEALPix）网格上运行的、基于Transformer的新型天气预报模型。这种方法解决了先前模型使用等角网格（在两极分辨率更高）的局限性。PEAR在不增加计算成本的情况下，与在等角网格上的模型和其他基线模型相比，表现出更优越的性能。该模型在气候模型模拟方面也显示出潜力。
-
AirCast-SR：公里尺度天气超分辨率的基础模型
研究人员开发了AirCast-SR，一个专为公里尺度大气超分辨率设计的基礎模型。该模型可以将全球AI天气预报从约28公里分辨率降至1公里分辨率，并生成67小时的八种地表变量预报。AirCast-SR采用了潜在一致性模型扩散框架，并展现出强大的性能，实现了接近零的偏差，并保留了精细的大气结构。该模型在无需重新训练的情况下，已显示出对新区域的零样本全球迁移能力，为高分辨率AI天气预报建立了一种新方法。
-
研究表明AI天气模型可能在模拟物理定律
研究人员发表了一篇论文，探讨了AI天气模型可能在模拟的潜在物理原理。研究表明，尽管架构不同，各种AI模型以相似的方式表示大气行为。该论文提出，这些模型可能正在实现对大气的基于粒子的描述，粒子的运动由学习到的自由能泛函指导。
-
Graphcast和Pangu Weather等AI模型挑战传统天气预报
Graphcast、Aurora和Pangu Weather等AI模型正作为传统天气预报方法的替代方案出现。这些新系统旨在提供比传统方法更快、可能更准确的预测。它们的开发标志着利用先进AI进行复杂环境建模的转变。
-
人工智能天气模型在极端事件预测中展现出不确定性量化方面的潜力
一项发表在arXiv上的新研究，通过量化不确定性来调查人工智能天气模型在预测极端事件方面的有效性。研究人员发现，尽管FuXi、GraphCast和SFNO等模型展现出具有竞争力的技能，但它们表示不确定性和捕捉极端事件的能力有限。该研究探索了各种扰动策略来生成集合预报，并得出结论，虽然像高斯噪声这样的简单方法可以扩展确定性模型以进行概率预报，但原生概率模型和数值天气预报集合仍然优于它们。
-
专家警告：人工智能天气预报可能错过罕见极端事件
尽管人工智能模型在提高天气预报的准确性和效率方面正在迅速发展，但专家们对其预测前所未有的“灰天鹅”事件的可靠性表示担忧。这些罕见但可能发生的极端事件，因气候变化而加剧，在人工智能的训练数据中代表性不足，可能导致自信但错误的预测。虽然基于物理的模型可以模拟此类事件，但人工智能模型在进行外推时存在困难，存在静默失效的风险，并可能导致关键的物理建模基础设施的退化。