GraphCast：学习技能娴熟的中程全球天气预报

此软件包包含运行和训练 GraphCast 的示例代码。它还提供了三个预训练模型：

GraphCast，GraphCast 论文中使用的高分辨率模型（0.25度分辨率，37个压力层），训练于1979年至2017年的ERA5数据，
GraphCast_small，GraphCast的较小低分辨率版本（1度分辨率，13个压力层，以及较小的网格），训练于1979年至2015年的ERA5数据，可用于在内存和计算约束较低的情况下运行模型，
GraphCast_operational，高分辨率模型（0.25度分辨率，13个压力层），预先训练于1979年至2017年的ERA5数据，并在2016年至2021年间进行了微调。该模型可以从HRES数据初始化（不需要降水输入）。

模型权重、归一化统计数据和示例输入可在Google Cloud Bucket上找到。

完整的模型训练需要下载 ERA5 数据集，可从ECMWF获取。

文件概述

最佳起点是在Colaboratory中打开graphcast_demo.ipynb，其中提供了加载数据、生成随机权重或加载预训练快照、生成预测、计算损失和计算梯度的示例。 GraphCast架构的一步实现在graphcast.py中提供。

库文件简要描述：

autoregressive.py：用于运行（和训练）一步GraphCast的包装器通过在每一步将输出作为输入自回归地馈送，以JAX可微分的方式生成预测序列。
casting.py：用于使GraphCast在BFloat16精度下运行的包装器。
checkpoint.py：用于序列化和反序列化树的工具。
data_utils.py：用于数据预处理的实用工具。
deep_typed_graph_net.py：通用的深度图神经网络（GNN）该网络在TypedGraph上操作，其中输入和输出都是节点和边的特征的平面向量。 graphcast.py中使用这三个分别为Grid2Mesh GNN、Multi-mesh GNN和Mesh2Grid GNN。
graphcast.py：一步预测的主要GraphCast模型架构。
grid_mesh_connectivity.py：在球面上在规则网格和三角形网格之间转换的工具。
icosahedral_mesh.py：定义了一个二十面体多网格。
losses.py：损失计算，包括纬度加权。
model_utils.py：从输入网格数据生成平面节点和边矢量特征的实用工具，以及将节点输出矢量操作回多层网格数据的工具。
normalization.py：用于一步GraphCast的包装器，用于根据历史值对输入进行标准化，并根据历史时间差对目标进行标准化。
predictor_base.py：定义预测器的接口，GraphCast和所有包装器都实现了该接口。
rollout.py：类似于autoregressive.py，但仅在推理时使用使用python循环生成较长但不可微的轨迹。
typed_graph.py：TypedGraph的定义。
typed_graph_net.py：在TypedGraph上定义的简单图神经网络的实现这可以组合以构建更深层次的模型。
xarray_jax.py：使JAX与xarray一起工作的包装器。
xarray_tree.py：与xarray一起工作的tree.map_structure的实现。

依赖关系。

Chex， Dask， Haiku， JAX， JAXline， Jraph， Numpy， Pandas， Python， SciPy， Tree， Trimesh 和 XArray。

许可和归属

Colab笔记本和相关代码的许可为Apache License, Version 2.0。您可以在以下网址获取许可的副本：https://www.apache.org/licenses/LICENSE-2.0。

模型权重可根据Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)的条款供使用。您可以在以下

网址获取许可的副本：https://creativecommons.org/licenses/by-nc-sa/4.0/。

权重是在ECMWF的ERA5和HRES数据上训练的。Colab中包含了一些ERA5和HRES数据的示例，可以用作模型的输入。 ECMWF数据产品受以下条款约束：

来源 www.ecmwf.int
许可声明：ECMWF数据以Creative Commons Attribution 4.0 International (CC BY 4.0)的方式发布。 https://creativecommons.org/licenses/by/4.0/
免责声明：ECMWF对数据中的任何错误或遗漏、其可用性或由其使用而引起的任何损失或损害概不负责。

免责声明

这不是官方支持的Google产品。

引用

如果您使用此工作，请考虑引用我们的论文：

@article{lam2022graphcast,
      title={GraphCast: Learning skillful medium-range global weather forecasting},
      author={Remi Lam and Alvaro Sanchez-Gonzalez and Matthew Willson and Peter Wirnsberger and Meire Fortunato and Alexander Pritzel and Suman Ravuri and Timo Ewalds and Ferran Alet and Zach Eaton-Rosen and Weihua Hu and Alexander Merose and Stephan Hoyer and George Holland and Jacklynn Stott and Oriol Vinyals and Shakir Mohamed and Peter Battaglia},
      year={2022},
      eprint={2212.12794},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

original_README_中文.md 6.2 KB 永久链接 文件历史 原始文件