气象数据

FourCastNet 解读：傅里叶神经算子的全球天气预报

· 南京运梦科技算法团队 · 评审 算法负责人

FourCastNet 解读：傅里叶神经算子的全球天气预报 封面

做风电、光伏功率预测的人，对"算得慢"这件事大概都不陌生：一套高分辨率的物理数值预报，往往要在超级计算机上跑很久，普通团队既排不上队，也复现不起。2022 年 NVIDIA 团队放出的 FourCastNet，第一次让人直观地看到另一种可能——一个纯数据驱动的深度学习模型，可以在单卡上几秒钟内吐出一周的全球高分辨率预报，而且在不少变量上的技巧（skill）能逼近欧洲中期天气预报中心的业务系统。对天天和气象数据打交道的新能源从业者来说，这意味着"预报"这件事的成本结构正在被改写，集合预报、情景批量演算这些过去想都不敢想的玩法，开始变得触手可及。

关键要点

  • FourCastNet（Pathak 等，arXiv:2202.11214，NVIDIA，2022）是一个纯数据驱动的全球高分辨率天气预报模型，核心结构是自适应傅里叶神经算子（AFNO）。
  • AFNO 把空间信息混合搬到傅里叶频域，将复杂度从 Transformer 的平方级降到准线性 𝒪(N log N)，同等规模下显存约 10GB（常规 ResNet 路线约需 83GB）。
  • 模型在 0.25° 全球网格（721 × 1440 格点、约赤道 30km）上同时预测 20 个气象变量，一周预报可在不到 2 秒内生成。
  • 以 ERA5 再分析（1979–2015、每 6 小时）为训练真值、初始场与评测标尺；在短时效大尺度变量上技巧可匹配 ECMWF IFS，降水在相应口径下甚至更优。
  • 对新能源的价值在于低成本的集合/情景批量演算（支撑 P50/P90 概率预测），但需认清"匹配 IFS"的口径边界，宜作为物理预报的补充而非替换。

背景与定位

这篇论文的英文原题是 FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators，业界更习惯直接叫它的模型名 FourCastNet（Fourier Forecasting Neural Network 的缩写）。第一作者是 Jaideep Pathak、Shashank Subramanian 等人，出品方是 NVIDIA 联合多家高校的研究团队，2022 年 2 月以预印本形式发布在 arXiv 上，编号 arXiv:2202.11214。

判断一篇文献是否值得花时间，通常看三点：谁做的、做了什么、有没有可复现。这三点 FourCastNet 都站得很稳。它出自 NVIDIA 研究院，并把代码、数据说明与模型权重开源，能被独立复现和二次开发；更重要的是，它是这一波"AI 中期天气预报"浪潮里最早把高分辨率、全球网格、数据驱动三者同时跑通的代表作之一。在它之后才陆续出现的 GraphCast、Pangu-Weather 等模型，某种意义上都是在同一条赛道上接力——关于其中的图神经网络路线，可参考我们的 GraphCast 解读。

方法 / 它做了什么

FourCastNet 的核心是一种叫 自适应傅里叶神经算子（Adaptive Fourier Neural Operator，AFNO） 的网络结构。要理解它的巧妙之处，得先说清楚它想解决什么问题。

近几年的视觉模型里，Vision Transformer（ViT）靠"自注意力"机制让图像各个区块（token）彼此交换信息，效果很好，但代价是计算量随 token 数量呈平方级增长。全球 0.25° 网格展开后是 721 × 1440 个格点，token 数量极其庞大，直接套用标准 Transformer 在显存和算力上都吃不消——论文提到，同等规模下一个常规 ResNet 路线会需要约 83GB 显存，而 AFNO 只需约 10GB。

AFNO 的办法，是把"区块之间互相混合信息"这一步搬到傅里叶频域里去做。具体流程可以朴素地理解为三步：先用二维傅里叶变换把空间上的特征转换到频域；再在频域里用一个带"软阈值收缩"的小型多层感知机施加可学习的权重，相当于让模型自己学会保留有用的频率分量、压掉冗余的；最后做逆变换转回空间域，并叠加残差连接。这套基于傅里叶卷积的做法，把空间混合的复杂度从平方级降到了准线性的 𝒪(N log N) 量级，这正是它能在超高分辨率上跑得动的关键。

数据与驱动方式上，FourCastNet 走的是彻底的数据驱动路线：

  • 训练真值：模型以 ERA5 再分析数据集为训练真值，使用 1979–2015 年的历史数据，按每 6 小时一个时刻（00、06、12、18 时）采样。ERA5 是把卫星、地面站、探空等多源观测通过同化系统融合成的物理一致、时空连续的全球网格数据，被广泛当作历史气象的事实标准。
  • 建模变量：单个时刻被组织成一个形状为 721 × 1440 × 20 的张量，即在 0.25° 网格上同时预测 20 个气象变量，涵盖不同气压层的风速、温度、位势、相对湿度以及整层水汽等。
  • 驱动方式：预测时以某一时刻的状态为输入，模型输出下一个 6 小时的状态，再把这个输出当作下一步的输入，自回归滚动一步步把预报推向未来。

评测同样以 ERA5 为基准，并把 FourCastNet 与 ECMWF 的业务数值预报系统 IFS 在多个变量、多个预报时效上系统对比。

关键结论

把论文中已核实的要点提炼出来，最值得记住的有这么几条：

  • 空间分辨率 0.25°，约对应赤道附近 30km 网格，全球 721 × 1440 格点。这是与主流业务预报对齐的高分辨率，而非粗网格的"玩具模型"。
  • 一周（约 7 天）的全球预报可在不到 2 秒内生成，相比依赖超算长时间排队运算的传统数值预报，是数量级上的效率跨越；论文进一步给出，在按"节点·秒"折算的口径下，其相对 IFS 的速度优势可达约 4.5 万倍（具体随折算口径与硬件而异）。
  • 在短预报时效、大尺度变量上，FourCastNet 的预报技巧能匹配 ECMWF IFS；而在降水这类具有复杂细尺度结构的变量上，它在相应口径下甚至优于 IFS。需要强调"短时效""相应口径"这两个边界——以 500hPa 位势高度（Z500）为例，论文显示其在约 3 天内与 IFS 旗鼓相当，之后逐渐落后但仍能贴近到约 7 天，而非全程全面超越。
  • 模型完全建立在 ERA5 之上：以 ERA5 训练、以 ERA5 初始场驱动、以 ERA5 为评测标尺。这条结论提醒我们——AI 气象模型的能力上限，与其训练数据 ERA5 的质量与覆盖高度绑定。

要客观地说，"匹配 IFS"指的是特定变量、特定时效下的技巧评分，并不意味着传统物理模式被取代；二者更多是互补关系，且数据驱动模型在极端事件、长时效上的稳健性仍需逐案验证。

对新能源 / 运梦平台的意义

把这些结论落到风电、光伏的实际工作流上，至少有三层意义。

第一，资源评估的数据底座被再次夯实。 FourCastNet 把 ERA5 作为唯一训练真值，等于又用一篇前沿论文确认了 ERA5 在全球历史气象数据中的基准地位。你在做风电场选址、光伏长期辐射评估时所依赖的那条 ERA5 长序列，正是 AI 前沿模型眼中的"标准答案"，详见 ERA5 产品页。

第二，"快"打开了集合与情景演算的空间。 一周预报不到 2 秒，意味着用极低的成本就能跑出大量集合成员或多情景结果。对功率预测而言，这正好对上了行业的真实痛点：不再只要一条确定性曲线，而是要给出 P50/P90 这样的概率区间，用来支撑功率申报、备用安排与电力交易决策。AFNO 这类模型让"批量演算成本"从瓶颈变成了可承受的常规开销，落到风电场景可参考 风电功率预测。

第三，认清边界，别盲目替换。 FourCastNet 的强项在大尺度、短时效与高吞吐，但它"匹配 IFS"是有口径限定的，且对细粒度的局地阵风、复杂地形下的辐射衰减仍可能力有不逮。务实的做法是把数据驱动模型当作物理预报的补充与加速器：历史回测、资源评估用 ERA5 这类再分析底座打地基，实际短期功率预测再叠加业务预报源，而不是用单一模型包打天下。

在运梦气象 API 上手

在运梦气象 API 上，无论历史回测还是预报，都走同一个 downloadSync 接口，只需切换 dataSourceId：历史回测用 era5，预报用 ger（德国气象局）。下面是一个取风电功率预测常用要素的请求示例：

{
  "dataSourceId": "ger",
  "lat": 39.9,
  "lon": 116.4,
  "stime": "2026-01-08 00:00",
  "etime": "2026-01-15 00:00",
  "timezone": "8",
  "fields": ["tas", "u100", "v100", "ws", "rsds"]
}

字段说明：dataSourceId 决定数据源（历史训练与回测改成 era5）；lat/lon 为目标点经纬度；stime/etime 为起止时间；timezone 为必填的时区偏移；fields 选取所需要素，这里取了 2m 气温、100m 风的 u/v 分量、风速与地面短波辐射，分别对应风电与光伏的核心驱动变量。完整字段表见 数据要素说明，接口参数与鉴权见 API 参考文档。一句话原则：要复现 FourCastNet 这类模型所依赖的 ERA5 历史底座，就用 era5；要拿未来一周的预报驱动功率预测，就用 ger。

常见问题

FourCastNet 是什么？它和传统天气预报有什么不同？ FourCastNet 是 NVIDIA 团队 2022 年发布的纯数据驱动深度学习天气预报模型（arXiv:2202.11214），核心是自适应傅里叶神经算子（AFNO）。与依赖超算长时间运算的传统物理数值预报不同，它能在单卡上几秒内生成一周的全球高分辨率预报。

FourCastNet 的预报精度能超过 ECMWF IFS 吗？ 不能一概而论。论文显示它在短预报时效、大尺度变量上的技巧可匹配 ECMWF IFS，降水这类细尺度变量在相应口径下甚至更优；但以 500hPa 位势高度为例，约 3 天内与 IFS 旗鼓相当，之后逐渐落后。它与物理模式更多是互补关系，而非取代。

FourCastNet 用什么数据训练？分辨率是多少？ 它以 ERA5 再分析数据集为训练真值，使用 1979–2015 年、每 6 小时一个时刻的历史数据，在 0.25° 全球网格（721 × 1440 格点、约赤道附近 30km）上同时预测 20 个气象变量。

FourCastNet 为什么能算得这么快？ 关键在于 AFNO 把空间信息混合放到傅里叶频域处理，将复杂度从标准 Transformer 的平方级降到准线性的 𝒪(N log N) 量级；同等规模下显存仅约 10GB，而常规 ResNet 路线约需 83GB，因此能在超高分辨率上跑得动并实现一周预报不到 2 秒。

做风电光伏功率预测，怎么用运梦气象 API 复现这类模型的数据？ 都走同一个 downloadSync 接口，只需切换 dataSourceId：历史回测与资源评估用 era5（即 FourCastNet 依赖的 ERA5 历史底座），未来一周预报驱动功率预测用 ger（德国气象局）。详见 API 参考文档。

引用与原文

  • Pathak, J., Subramanian, S., Harrington, P., Raja, S., Chattopadhyay, A., Mardani, M., Kurth, T., Hall, D., Li, Z., Azizzadenesheli, K., Hassanzadeh, P., Kashinath, K., & Anandkumar, A. (2022). FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators. arXiv:2202.11214. https://arxiv.org/abs/2202.11214