Earth2Studio 中文学习手册0.19.0交互实验 ↗
CHAPTER 01 / LEARN BY UNDERSTANDING

认识 Earth2Studio

Earth2Studio 把气象初始数据、AI 模型、推理流程和科学数据输出连接起来。你可以用它运行已有模型,比较不同模型,生成确定性或集合预报,再将结果交给地图或业务系统。它是 Python 工具包;网站、账号、业务授权、发布一致性和长期运行保障,需要应用自己建设。官方仓库

本教程面向有软件开发经验、但没有系统学过气象学的读者。阅读顺序是:理解预报 → 跑通流程 → 看懂数组 → 部署批处理 → 检验结果。示例以 Earth2Studio 0.19.0 为基线,核查日期为 2026 年 10 月 20 日。本教程不是 NVIDIA 官方中文翻译。

一个模型到底在预测什么

假设现在是 UTC 00:00。我们把全球很多位置的温度、风、气压和湿度整理成数组,送入模型。模型根据训练得到的规律,输出 UTC 06:00 的大气状态;把这个结果再送回模型,可以得到 12:00、18:00 等后续状态。这叫自回归推进(autoregressive rollout)。

这里的“现在的大气状态”一般不是几张天气图或几个气象站的数据,而是经过数值系统分析、同化和网格化的初始场。初始场不完整、单位不对、压力层错误时,模型不会自动理解并修复问题。

一个预报的含义由下列元素共同决定:

概念 例子 为什么不能省略
起报时间 initialization 2026-10-20 00:00 UTC 同一天可以有多次起报
预报时效 lead time +24 小时 表示从起报到目标的时间差
有效时间 valid time 2026-10-21 00:00 UTC 地图正在显示的时刻
变量 variable 2 米气温 不能与海表温度或 850 hPa 气温混淆
层次 level 地面上 2 米、850 hPa 压力层不是几何高度
统计方式 statistic 瞬时值、区间平均、累计量 同一时间标签不等于同一种量
集合成员 member 第 0~15 个成员 多个可能结果不等于多个观测

对公历 UTC 瞬时预报,valid_time = initialization + lead_time。对周/月平均,还必须有区间边界与日历。模型能推进很多步,不意味着越远的结果仍有相同精度。

它不止覆盖天气尺度

模型库同时有中期全球预报、临近预报、次季节、气候模拟和降尺度等方向。具体预报尺度由选定的模型和输入决定,不能用“Earth2Studio 支持”替代对具体模型的说明。0.19.0 已包含 FuXi-S2S;因此“它只能做未来几天的天气预报”不准确。发行说明

类型 核心问题 示例与边界
预报模型 prognostic 未来的大气会怎样变化? FCN、FCN3、GraphCast、AIFS 等;通常迭代推进
诊断模型 diagnostic 已有大尺度场怎样映射到其他变量或更细尺度? CorrDiff 等;不等于独立获取全球初始场
同化模型 assimilation 观测怎样帮助估计当前状态? 有独立组件;不代表所有模型都接收原始观测
次季节与气候模型 更长时间的变化或统计分布如何? FuXi-S2S、DLESyM、ACE2 等;输出和评估方法不同

模型适用区域必须单独核实。例如名称含 CONUS 的模型针对美国本土区域;不能把官方美国降尺度例子直接当作香港地区产品。模型目录

Earth2Studio、模型权重与训练框架

可以把它们理解成三层:

  1. Earth2Studio:连接组件、检查坐标、调度推理、保存结果。
  2. 具体模型及权重:决定输入变量、网格、时间步长、推理方法和能力。
  3. 模型实现与训练工具:例如 PyTorch、PhysicsNeMo、Makani;负责网络与相关计算。

Earth2Studio 的统一接口不代表模型之间可以随意交换输入。换模型时,必须重新核对历史输入步数、变量、层次、初始资料和硬件。训练一个新全球模型也远比调用已有权重复杂;第一次测试不需要从头训练。仓库说明

是实时预报吗

AI 的推理可以很快,但一次可发布预报的耗时还包括:初始资料到达、下载、转换、权重装载、推理、校验、编码和上传。网页请求到达时重新计算会重复消耗 GPU,也把上游故障变成网站故障。

更实用的方式是:按起报周期生成完整预报,发布后让很多用户读取同一批结果。地图上的播放是在浏览已经生成的预测目标;风粒子动画是在表现风向和风速,它们都不是后台正在实时预测。

思考题:两个结果的有效时间都为周二 12:00,一个从周一 00:00 起报,一个从周二 00:00 起报。它们是同一预报吗?不是:分别是 +36 小时和 +12 小时,使用的初始信息不同。