GraphCast：用最近两张天气场，逐步推演未来十天

想看未来几天冷空气如何移动，只有一张城市温度表还不够。GraphCast 接收覆盖全球的温度、风、气压等天气场，预测六小时后的状态，再把预测继续送回模型，逐步展开未来十天。它提供了一个直观入口：AI 怎样把历史天气知识变成连续预报。

先交代现状：GraphCast 是 2023 年发表的模型，如今在官方仓库中称为 WeatherNext 1 Graph。Google 当前文档已将旧实时服务标为停用，并推荐新项目使用 WeatherNext 3。认识它的价值，在于理解和研究这条预测路线；找当下天气服务，应从现行服务文档开始。当前状态

十天预报是怎样一步步长出来的

官方给出的流程很具体：提供当前时刻和六小时前的两份全球天气状态，模型输出六小时后的状态。假设以某天 08 时为起点，先提供 02 时与 08 时的数据，得到 14 时；再用 08 时与预测的 14 时继续生成 20 时。这个时刻安排只是教学例，解释的是同一条递推过程，并非一次实际预报。

输入的“天气状态”是一整套数值网格。论文原版在 0.25° 经纬度网格上表示地表变量，以及多个气压层上的温度、湿度和风等变量；不是上传两张天气截图就能运行。它先把网格信息编码到球面上的多尺度图结构，让附近和较远地区的信息通过连接传递，再解码回天气网格。

下图从左到右分别是输入天气场、预测下一状态、连续展开多个未来状态。叠起来的彩色地图代表多个变量；右侧逐渐展开的地图表示连续时刻，而非几种互相竞争的未来。这是理解确定性预报与集合预报差异的关键。

官方方法示意，来源：Google DeepMind 的 GraphCast 介绍。英文图示，可打开原图查看。

球面图结构值得记住的地方，是它不必把每个网格点孤立处理：局部风场变化可以与更大尺度的环流联系起来。最终得到的仍是一条连续天气演变序列；从这条序列中提取气旋中心，才会得到台风路径，模型并不是直接输出一份城市天气文字播报。

“更准确”要连着比较条件读

原论文用 1979—2017 年的 ERA5 再分析数据训练模型，之后在留出的年份上评估。ERA5 是结合观测与数值系统重建的历史天气资料，不能把这条路线理解为完全绕开传统气象系统。

论文的 2018 年主评估中，GraphCast 在 1,380 个变量、气压层与预报时效组合中的约九成优于当时的 HRES。这个结果比较的是特定指标和测试条件，不是“每个地点九成天气都能报对”。降水也没有被纳入同样的主结论范围。论文还指出，较长时效下预测会出现一定模糊化；单条序列本身无法完整呈现未来的不确定性。论文全文

对学习 AI 气象的读者，我更看重它把“下一步预测”和“连续推演”接起来的方式：既能观察单步误差，也能研究误差沿时间怎样累积。这比只记住一个速度数字更有用。

研究入口仍在，型号要和数据配套

当前模型目录保留了原版、较小版本和可用 HRES 初始条件的版本。它们的分辨率、气压层数与输入要求不同，演示数据必须与所选权重匹配，不能用较小演示版代表原版成绩。

代码和 notebook 采用 Apache 2.0；官方于 2026 年 8 月更新权重许可为允许商业使用的 CC BY 4.0，气象输入数据另受各自条款约束。读者可以从该目录的官方 notebook 看数据加载、连续预测与可视化流程；模型代码仍可研究，旧实时数据流已经停用，这两件事需要分开理解。