📌 项目地址：google-deepmind/weathernext
| ⭐ 6,990 颗星 | 🔧 Python | 📜 未标注
这个仓库装了什么
google-deepmind/weathernext 是 Google DeepMind 和 Google Research
联合发布的全球中期天气预报模型仓库。核心是 WeatherNext
2（WN2），同时保留了前代 GraphCast 和 GenCast 的代码与文档。仓库 6990
颗星，最近因为 Nature 论文和 Google 官方博客的宣传，关注度涨得很快。
WN2
做的事情是全球范围的中期大气预报，外加热带气旋预报。论文发在《自然》上，标题是
Operational tropical cyclone forecasting with
AI。这意味着它输出的不只是温度降水网格，还包括气旋轨迹这类专业产品。
对多数人来说，直接用数据比跑代码划算
README
花了不少篇幅讲数据获取渠道，我觉得这是对大多数读者最有价值的部分。
官方提供了三个现成渠道：
Google Cloud：通过 Earth Engine、BigQuery、Vertex AI
访问。适合已经用 Google 云生态的团队，尤其是 Earth Engine
用户，可以直接在熟悉的环境里拉数据。
WeatherLab：DeepMind
自己的科学平台，提供气旋轨迹数据。界面交互性更强，适合探索和可视化。链接在
deepmind.google.com/science/weatherlab。
OpenMeteo：提供 API
和交互式构建器。对开发者最友好，写个 HTTP
请求就能拿到预报数据，不需要任何 Google 云账号。地址是
open-meteo.com/en/docs/google-weathernext-api。
我建议的应用路径是：想做应用、搞集成的人走
OpenMeteo；做研究和数据分析的人走 Google Cloud；主要关注气旋的走
WeatherLab。这三个渠道覆盖了绝大多数使用场景，真正需要自己部署模型的反而很少。
模型家族的三代关系
仓库里实际上有多个模型，README
里的关系说明比较简短，我展开讲一下。
WeatherNext 2（WN2）：当前主力。全球中期大气预报 +
气旋预报，额外预测 100 米高度风速。技术报告是 arXiv:2506.10772，标题叫
Skillful joint probabilistic weather forecasting from
marginals。核心方法是从边缘分布学习联合概率预测——每个位置单独预测，再组合成全局一致的分布。这是它区别于传统确定性预报的关键。
WeatherNext Graph：也就是
GraphCast，图神经网络架构，确定性预报。2023 年发表在 Nature 上。
WeatherNext Gen：也就是
GenCast，扩散模型架构，集合预报。同样是 Nature 论文。
WN2 和 WeatherNext Cyclones 的关系：算法完全相同，唯一区别是 WN2
额外预测 100
米风速。权重不同是因为独立训练。所以想用气旋预报的人，直接用 WN2
就行。
技术层面值得关注的两个点
一个是”联合概率预报”。传统 AI
气象模型要么给确定性输出，要么用集合成员近似概率分布。WN2
的做法是先预测每个变量的边缘分布，再通过 Copula
函数把它们组合成联合分布。这样得到的概率预测在空间相关性上更合理，对极端天气事件的刻画更准。
另一个是扩散架构在气象领域的落地。GenCast 用扩散模型生成集合预报，WN2
虽然换了方法，但同仓库里保留了 GenCast
的完整实现，可以对照学习两代概率预报模型的设计差异。这种同仓库对照阅读的机会在
AI 领域不多。
跑代码之前的心理准备
如果是研究者需要复现论文实验，README 说明仓库提供了 WN2 各版本和
Cyclones 的推理代码。但有一句原文值得注意：“This is research code
provided as-is”，明确说了不保证 API 稳定性。
实际跑这类模型的成本比大多数 ML
项目高不少：全球中期预报意味着高分辨率网格输出，气象数据预处理涉及大量
NetCDF/GRIB 文件操作，推理需要 GPU
集群。我个人觉得，对绝大多数读者来说，理解模型架构和论文方法收获更大，跑代码是次要的。想验证模型能力，用上面三个数据渠道更直接。
从这份仓库能读到什么
对研究 AI 气象的人，它是当前 SOTA
模型的参考实现，而且三代模型对照阅读能看出技术路线的演进。对做气象应用开发的，OpenMeteo
API 是现成的接入口。对关注 AI for Science
的观察者，这份仓库展示了一个领域从论文到工程化再到开放数据服务的完整链路——这不是最有代表性的，因为大多数
AI 论文仓库只到代码阶段，而 WeatherNext 把数据产品化也做了。
最后补一句，如果你对 WN2 的技术细节感兴趣，README
里的论文列表比仓库代码更值得先读。特别是 arXiv:2506.10772
那篇技术报告，把方法讲得比代码清楚。