IF50.5｜GenCast：机器学习概率天气预报超越ECMWF集合预报

首个在97.2%评估目标上超越全球顶尖业务集合预报的ML模型，8分钟生成15天集合预报。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

天气预报本质上具有不确定性，预测可能天气情景的范围对灾害预警、可再生能源规划等决策至关重要。传统数值天气预报（NWP）基于物理模拟，其集合预报系统（如ECMWF的ENS）通过多个扰动成员刻画预报不确定性。近年来，机器学习天气预报（MLWP）在确定性预报上已取得优于单一NWP模拟的精度，但这些模型主要优化均方误差，输出的是模糊的平均状态而非真实样本，且缺乏对不确定性的可靠量化。因此，MLWP在整体上仍落后于最先进的NWP集合预报。

科学问题

卡在哪里： 现有MLWP方法多聚焦于确定性预报，生成的集合成员存在模糊问题，不能代表天气分布的真实样本；少数基于初始条件扰动的方法也未解决模糊性，且未能与业务集合预报系统（如ENS）相抗衡。

本文要回答： 开发一个基于机器学习的概率天气预报模型GenCast，使其在预报技巧和速度上超越全球顶尖业务集合预报系统ENS。

技术路线

作者主要用了：条件扩散模型、图Transformer、球面噪声、0.25°分辨率、ERA5再分析训练。

作者将天气预报建模为条件概率分布P(Xt+1|Xt, Xt−1)，采用条件扩散模型实现。模型以当前及前一时次天气状态为条件，从球面高斯白噪声出发，通过20步去噪迭代生成下一时次的天气状态；重复采样即可得到集合成员。去噪网络采用编码器-处理器-解码器架构，处理器为基于二十面体网格的图Transformer，节点关注其k-hop邻域。训练数据为ERA5再分析（1979-2018），先在1°分辨率预训练，再微调至0.25°。该设计使模型能够生成清晰、真实的天气轨迹，而非模糊的平均场。

图 1　Fig. 1。图1展示GenCast的条件扩散采样流程。蓝色框内，以初始状态(X0, X−1)为条件，从噪声Z0^1出发，通过神经网络精化函数rθ（绿色框）迭代去噪，生成下一时次状态X1。该过程可重复以生成集合成员。

核心亮点

亮点 1｜集合成员真实清晰

GenCast生成的单个集合成员具有清晰的天气系统结构（如台风Hagibis），其球谐功率谱与ERA5分析场在1天和15天预报时效上均高度吻合，表明成员代表真实天气样本。相比之下，确定性模型（包括GraphCast）及基于扰动的GenCast-Perturbed的成员出现模糊，功率谱在高频部分衰减。GenCast的集合平均则如预期般模糊，体现了不确定性。

图 2　Fig. 2。图2以2019年台风Hagibis为例，展示GenCast样本的清晰度。a为ERA5分析场（700hPa比湿），b-d为三个GenCast样本，结构清晰且彼此相似；e为50个样本的集合平均，明显模糊；f为GenCast-Perturbed样本，也存在模糊。h-j展示不同样本的台风路径预测，n-q展示路径概率。

亮点 2｜边际预报技巧显著优于ENS

在2019年全年评估中，GenCast在1320个变量、预报时效、气压层组合中的97.2%上CRPS显著优于ENS（P<0.05），且在超过36小时时效的目标上优势达99.6%。在2米温度、10米风速等地面变量及高空气象要素上，CRPS技巧提升10%-30%。集合平均RMSE也在96%的目标上不劣于ENS，78%的目标上显著更优。

图 3　Fig. 3。图3a为GenCast与ENS在2019年的CRPS技巧评分卡，深蓝色表示GenCast优势20%以上，深红色表示ENS优势20%以上。GenCast在97.2%的目标上显著优于ENS。b-f为不同变量和气压层的spread/skill比，GenCast接近1，表明校准良好。g-h为极端高温和大风的REV曲线，GenCast在所有代价损失比下均优于ENS。

亮点 3｜极端天气预报价值更高

对于超过99.99%、99.9%、99%气候百分位的极端高温、大风及极端低温、低海平面气压事件，GenCast的Brier技巧评分在所有预报时效上均显著优于ENS（除少数长时效外）。相对经济价值（REV）曲线显示，在低代价损失比（对应高影响决策）下，GenCast在1天、5天、7天时效均提供显著更高的价值。

图 4　Fig. 4。图4展示联合分布评估结果。a为区域风电功率CRPS相对值，GenCast在短时效优势明显；b为热带气旋路径集合平均位置误差，GenCast误差更低；c为热带气旋路径概率预报的REV，GenCast在所有代价损失比下均优于ENS。

亮点 4｜联合分布刻画更准确

在空间池化CRPS评估中，GenCast在98.1%的平均池化和97.6%的最大池化目标上优于ENS，且优势随空间尺度增大而增加。区域风电功率预报中，GenCast的CRPS在2天时效内比ENS低约20%，7天时效内仍保持显著优势。热带气旋路径集合平均位置误差在12小时至3.5天时效内显著低于ENS，相当于获得12小时时效优势；路径概率预报的REV在所有代价损失比下均优于ENS。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 条件扩散模型、图Transformer、球面噪声、0.25°分辨率、ERA5再分析训练
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/ClimateGlobalChange/tempestextremes、https://github.com/NREL/turbine-models、https://github.com/google-deepmind/graphcast；本地已克隆：graphcast、tempestextremes、turbine-models
• 谁该点开原文： 从事天气预报、气候建模、生成模型或时空预测的机器学习研究者与气象业务人员。

带走一句

扩散模型能生成真实、校准的天气集合样本，为MLWP在概率预报领域开辟新路；其联合分布刻画能力对下游应用（如能源、灾害）至关重要。