📌 项目地址：google-deepmind/weathernext | ⭐ 6,990 颗星 | 🔧 Python | 📜 未标注
项目地址：google-deepmind/weathernext，6990 star，Python。
先决定一件事：你要数据，还是要代码
看这个仓库之前，先分清楚自己属于哪类人。
如果只是要预报结果，做应用、做分析，不用跑模型。README 列了三个现成的每日数据流入口：
- OpenMeteo：HTTP API，附交互式请求构建器，接入成本最低
- Google Cloud：Earth Engine、BigQuery、Vertex AI 三条路。地理空间分析走 Earth Engine，批量查询走 BigQuery
- WeatherLab：DeepMind 自己的平台，独有气旋轨迹数据
全球中期预报的推理开销不小，这三个渠道把这部分活儿都干完了。
剩下的人才需要这个仓库：复现结果、改架构、做对比实验的研究者。有一点 README 写得很清楚，research code provided as-is，不保证 API 稳定，后续更新可能有破坏性变更。想接到生产系统里，自己掂量。
三个模型，一条演进线
仓库现在是 WeatherNext 全家的代码归宿，三代模型共存：
- WeatherNext 2（WN2）：主力，全球中期大气预报加气旋预报
- WeatherNext Graph：就是 2023 年的 GraphCast，图神经网络做确定性预报，代码在
docs/weathernext1_graph/ - WeatherNext Gen：就是 GenCast，扩散模型做集合预报，代码在
docs/weathernext1_gen/
三者的输出形态差别很大：GraphCast 给单个确定值，GenCast 给概率分布，WN2 做联合概率建模。我觉得把这三套代码对照着读，比看任何综述文章都直观，AI 气象预报这两三年的技术路线变化全在里面。
WN2 和 WeatherNext Cyclones 的关系
这是最容易搞混的地方。README 说得很直白：两者的气旋预报算法完全一致，唯一区别是 WN2 额外预测 100 米高度风速。权重不同，因为各自独立训练。
所以想跑气旋预报，装 WN2 一个就行，不需要两套。
方法上真正有意思的一点
WN2 的技术报告标题是《Skillful joint probabilistic weather forecasting from marginals》（arXiv:2506.10772），标题本身就是方法概括：对全球网格直接建模联合概率分布，计算上撑不住；WN2 先预测各位置的边缘分布，再组合出联合分布。
这决定了输出的性质。模型给的答案不是“明天风速 15 m/s”，而是“风速超过某个阈值的概率是多少”。做极端天气的风险评估，后者才是能直接拿来决策的量。ECMWF 这类传统数值预报给单一确定性结果，集合预报跑一次成本高昂，这是 AI 概率预报模型切入的位置。
气旋部分单独发了 Nature 论文《Operational tropical cyclone forecasting with AI》，讲的是业务化运行的实际表现，想知道模型在真实环境里到底行不行，读这篇。
建议的阅读顺序
- Google 官方博客的 WN2 发布文章，搞清楚定位
- arXiv:2506.10772，方法细节
- Nature 气旋论文，看实际效果
- Google Developers 的 WeatherNext Guide，动手跑模型时再翻
一点评价
论文、模型代码、生产级数据服务，三样东西放在同一个入口，应用开发者接数据流，研究者拆代码，互不干扰。README 还提供了多套预训练权重，方便直接复现和对比。开源项目做到这个完整度的不多。唯一要留心的是那句 as-is——代码可以玩，API 别依赖。