导语

为了能够深入理解人类世背景下地球系统各要素之间复杂的相互作用与演化机制，并为人类应对未来的地球系统科学重大挑战提供一套科学的认知框架，集智俱乐部联合清华大学讲席教授陈德亮、北京师范大学教授樊京芳、东莞理工学院特聘副研究员陈爱芳、南开大学副教授戴启立老师和爱尔兰都柏林大学博士生班崭共同发起「地球系统科学」系列读书会第二季，将组织大家从新的研究范式出发梳理相关文献，并深入研读其中涉及的理论与模型。

从2025年3月4日开始，每周二晚上19:00-21:00，读书会将以线上形式进行，持续时间预计8-10周。读书会详情及参与方式见后文。

分享背景 

2022年华为云盘古气象大模型以颠覆性的AI精度和万倍效率跨越传统数值预报门槛，正式拉开气象智能革命的帷幕。此后两年，全球气象学界掀起大模型创新风暴：Google DeepMind的GraphCast重塑中期预报精度标尺，上海人工智能实验室的”风乌”刷新台风路径预测纪录，Aardvark更突破性地构建了不依赖格点数据的端到端预报架构。这场从物理方程驱动到数据智能驱动的范式迁移，正在以惊人的速度重构百年气象学科的技术地基。

值此变革浪潮之际，彩云科技聚焦两大核心攻坚领域：针对中国复杂地形下的区域精细化预报难题，提出双模型协同框架；在降水预报这一”气象预测皇冠上的明珠”领域，突破传统方法对极端天气事件表征不足的桎梏，受NWP启发，首创融合平均量和扰动量的深度学习降水预测框架，可生产清晰且高精度的降水预报，能够为防灾减灾等业务提供更好的数据支撑。

分享简介

本次分享将首先回顾气象预报大模型的发展历程，并从算法框架，核心创新点，特性与预报效果等角度综合介绍Pangu, Fengwu, Fuxi 等各个气象预报大模型，并展望未来的发展方向。

接着，本次分享介绍中国区域气象预报大模型CNCast。和Pangu相比，该模型可用更少的算力实现和Pangu准确率相当或更好的区域预报。CNCast预报覆盖全部要素，温压湿风等要素进行直接预报，降水则通过其他变量进行诊断生成预报。在温压湿风等要素的预报上，CNCast使用了改进的SwinTransformer 3D模型，同时融入边界条件，可迭代生成未来5天的逐小时区域预报。在降水要素预报上，CNCast基于Latent Diffusion，可基于较小的计算量实现准确率高且纹理较清晰的降水集合预报，此外，通过swinir也实现了更高分辨率的降水预报。

最后，本次分享将介绍彩云自研的高分辨率集合降水预报深度学习框架——HREPNet。HREPNet汲取数值模式分解变量为平均量与扰动量的灵感，巧妙融合基于Swin Transformer 3D的确定性模型诊断网格平均降水，与Latent Diffusion生成模型捕捉更高分辨率的残差降水，并通过集合预报量化不确定性，从而显著提升极端降水的预测精度，生成更接近真实降雨分布的预报。本次分享将详细解析HREPNet的设计理念与技术优势，探讨其如何借鉴物理启发、结合大数据驱动实现预测的应用成效，分析其当前局限性与未来潜力。

CNCast和HREPNet未来5天的预报均已实时运行，并即将公开和集成至彩云天气APP，为用户带来高精度的AI天气预报体验。

分享大纲

• 气象预报大模型回顾与盘点

• CNCast：中国区域气象预报大模型

• HREPNet: 基于物理模式启发的高分辨率降水集合预报框架

核心概念

变分自编码器，Variational Auto Encoder

扩散模型，Diffusion model

集合预报，Ensemble forecast

数值天气预报模式，Numerical Weather Prediction model

主讲人介绍

张远汀，彩云科技算法工程师，硕士毕业于南京信息工程大学，研究领域包括降水短临预报、AI 时空预测、气象资料同化。

梁红丽，彩云科技算法工程师。硕士毕业于中国气象科学研究院，研究方向包括降水估计和预报、气象大模型、卫星气象等。

何爽爽，彩云科技算法工程师。硕士毕业于中国科学院大气物理研究所。研究方向包括降水预报、气象大模型、资料同化等。

参考文献

Liang, Hongli, et al. “CNCast: Leveraging 3D Swin Transformer and DiT for Enhanced Regional Weather Forecasting.” arXiv preprint arXiv:2503.13546 (2025).

He, Shuangshuang, et al. “Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework.” arXiv preprint arXiv:2501.02905 (2025). (HREPNet)

Pathak, Jaideep, et al. “Fourcastnet: A global data-driven high-resolution weather model using adaptive fourier neural operators.” arXiv preprint arXiv:2202.11214 (2022).

Bi, K., Xie, L., Zhang, H. et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature 619, 533–538 (2023). https://doi.org/10.1038/s41586-023-06185-3

Chen, Kang, et al. “Fengwu: Pushing the skillful global medium-range weather forecast beyond 10 days lead.” arXiv preprint arXiv:2304.02948 (2023).

Chen, Lei, et al. “FuXi: A cascade machine learning forecasting system for 15-day global weather forecast.” npj climate and atmospheric science 6.1 (2023): 190.

Gao, Yuan, et al. “OneForecast: A Universal Framework for Global and Regional Weather Forecasting.” arXiv preprint arXiv:2502.00338 (2025).

Allen, Anna, et al. “End-to-end data-driven weather prediction.” Nature (2025): 1-3.

报名参与

直播信息

2025年4月15日19:00-21:00

报名加入社群（可开发票）

斑图链接：https://pattern.swarma.org/study_group_issue/882