CHAPTER 03 / LEARN BY UNDERSTANDING

选择第一个模型

选择分成两个问题：哪一个最方便验证工程链路，哪一个适合实际业务？ 第一次测试的模型可以与最终生产模型不同。

建议的试验顺序

阶段	候选	目的	不应据此得出的结论
CPU 冒烟	Random + Persistence	理解接口、时间轴与输出文件	这不是 AI 气象预报
第一次真实推理	FCN + GFS	跑通初始场、权重、GPU、Zarr	不能据此判断 FCN 最适合业务
业务候选评估	FCN3 + 一致初始资料	检验多变量与集合能力	全球平均指标不能保证局地极端事件效果
对照模型	根据业务选择 AIFS / GraphCast / 其他	判断替换模型是否确有收益	名称更“新”不代表所有变量都更好
后续次季节研究	FuXi-S2S 等	专门评估较长时段预报	不能直接替代已校准的周/月异常产品

这是面向入门与工程验证的顺序。真正选型需要结合现有 GPU、研究区域、变量、授权和回报试验。

变量、网格和时间步来自固定版本的 FCN 源码与 FCN3 源码。显存档位来自官方模型元数据，不是本教程测得的最低显存要求；实际峰值取决于精度、成员批量、实现与并行方式。

FCN 包装里没有完整的 200 hPa 变量组合，不能因为它有 250 hPa 就把它改名为 200 hPa。FCN3 包含 850、500、200 hPa 的温度、风与位势等变量，更方便评估这些层次的地图展示。两者的输出列表都不能直接当作“海表温度＋温度异常＋台风概率”的现成产品。

t2m 一般代表离地 2 米的绝对温度。温度异常还需要相容的气候基准：

异常 = 目标时段的预报统计值 − 同定义的气候平均值

两项必须匹配变量、层次、时段、日历、网格以及气候基准期。AI 预报有自身偏差，做异常时还应考虑回报资料与偏差订正。不能用任意 ERA5 月平均直接相减，然后声称与已有 S2S 异常产品等价。

同理，有全球风场和气压场，不等于已获得台风路径或台风发生概率。后者需要识别／追踪算法、集合事件定义与检验。模型名字中出现 cyclone 也不意味着它直接输出某个业务系统所定义的 TC 概率产品。

FCN3 官方模型卡给出了特定条件下的快速推理描述。可以据此判断 AI 推理具有显著吞吐优势，但不能把该数字当作你自己的完整业务耗时。FCN3 模型卡

建议分别记录：权重冷加载、初始场下载、预处理、单步推理、整个 rollout、编码、校验、上传。比较模型时同时报告硬件、精度、成员数、变量数、预报长度、缓存状态与失败率。

GFS 适合先跑通公开初始资料链路；ERA5 适合历史实验，但其再分析资料的可用延迟不应与实时业务分析混为一谈。AIFS 等模型有自身推荐的数据源与预处理要求。能够把一种资料变成相同 shape，仅证明格式相容，不能证明统计分布相容。GFS 实现、ECMWF 开放数据说明

部署脚本应检查每个必要变量及历史输入帧都已到齐，不能简单以“当前时间减 6 小时”保证上游资料完整。