GraphCast 解读：图神经网络改写中期天气预报，对新能源的意义
如果你做风电选址、光伏功率预测，或者只是天天和历史气象数据打交道，那么 2023 年发表在 Science 上的这篇 GraphCast 论文，几乎可以算是过去几年最值得花时间读懂的一篇。它系统性地证明：一个纯数据驱动的图神经网络模型，可以在 1 分钟内给出未来 10 天、覆盖全球数百个变量的高分辨率预报，并在多数指标上超过运行了几十年的物理数值预报系统。换句话说，新能源行业赖以做资源评估和功率预测的那套"气象数据底座"，正在被 AI 重新定义——而它学习的范本，恰恰是你早就熟悉的 ERA5。
关键要点
- GraphCast 是一套图神经网络（GNN）模型，能在 1 分钟内输出 0.25° 分辨率、未来 10 天、覆盖全球数百个变量的预报。
- 它在多数评测指标上超越 ECMWF 的业务确定性预报 ECMWF-HRES，但这是"多数指标"而非全面取代，与传统物理模式更多是互补关系。
- 模型完全建立在 ERA5 之上：以约 1979–2017 共 39 年 ERA5 数据训练、以 ERA5 初始场自回归滚动驱动、并以 ERA5 为评测标尺。
- 论文 Learning skillful medium-range global weather forecasting 由 Google DeepMind 出品，2023 年发表于 Science 正刊，模型与权重已开源。
- 对新能源行业的意义：ERA5 作为历史气象底座的基准地位被再次确认，功率预测的上游气象输入更快更丰富，历史（ERA5）与预报（德国气象局）需打通字段口径。
背景与权威性
这篇论文的英文原题是 Learning skillful medium-range global weather forecasting，业界更习惯用它的模型名字称呼它：GraphCast。作者是 Lam 等人，出品方是 Google DeepMind，论文发表于 2023 年的 Science 正刊。
判断一篇文献是不是"必读经典"，通常看三件事：发在哪、谁做的、被引多少。这三点 GraphCast 都站得很稳。
- 期刊层级：Science 是公认的顶级综合性期刊之一，能在正刊发表的气象、机器学习交叉成果并不多见，门槛本身就是一道筛子。
- 作者与出品方：DeepMind 在深度学习领域积累深厚，且 GraphCast 模型与权重已开源，可复现、可二次开发，这让它的影响力远超一篇"只能看不能用"的论文。
- 引用量：截至 2026 年 5 月，Semantic Scholar 记录的引用量约为 1,549。对一篇 2023 年才发表的论文而言，这个累积速度反映出它被学术界和工业界高频引用。
更关键的是它的"范式意义"。GraphCast 开创了 AI 中期预报这一研究方向，并被包括 ECMWF（欧洲中期天气预报中心）在内的业界机构迅速关注与采纳。可以说，它不是众多 AI 气象论文中的一篇，而是这一波浪潮的起点性文献之一。
它做了什么
GraphCast 的核心方法是一套 图神经网络（GNN）。它把全球大气状态组织成图结构上的节点与连边，让信息在不同空间位置之间传递，从而学习大气演变的规律。这种结构天然适合表达"全球各地天气彼此关联、相互影响"这一物理事实。
在数据上，GraphCast 走的是一条彻底的数据驱动路线：
- 训练真值：模型完全以 ERA5 再分析数据集为训练真值，使用了约 1979–2017 共 39 年的历史数据。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，被广泛视为历史气象的事实标准。
- 驱动方式：预测时以 ERA5 的初始场作为起点，模型自回归滚动——把上一步的输出当作下一步的输入，一步步把预报向未来推进，最终覆盖未来 10 天。
- 评测标尺：评估同样以 ERA5 为基准。也就是说，在 AI 气象模型的世界里，ERA5 既是"教材"，也是判卷时的"标准答案"。
验证方式上，论文把 GraphCast 与 ECMWF 的业务确定性预报系统 ECMWF-HRES 在大量变量和预报时效上做了系统对比，用同一把 ERA5 标尺衡量双方的预报技巧（skill）。
关键结论
把论文已核实的要点提炼出来，最值得记住的有这么几条：
- GraphCast 能在 1 分钟内输出 0.25° 分辨率、未来 10 天、数百个变量的全球预报。0.25° 是相当高的空间分辨率；而"1 分钟"的出图速度，相比依赖超级计算机长时间运算的传统数值预报，是效率上的明显跨越。
- 在多数评测指标上，GraphCast 超越了 ECMWF 的业务确定性预报 HRES。注意这里的措辞是"多数指标"——这是一个有边界的、可核实的结论，而非"全面碾压"。
- GraphCast 完全建立在 ERA5 之上：以约 39 年 ERA5 数据训练，以 ERA5 初始场驱动滚动预报，并以 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 的质量与覆盖密切相关。
需要强调的是，"超越 HRES"指的是确定性预报的技巧评分，并不意味着传统物理模式被取代；二者更多是互补关系。
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进一步夯实。 GraphCast 选择 ERA5 作为唯一训练真值，等于用一篇顶刊论文再次确认了 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 ERA5 长序列，正是 AI 前沿模型眼中的标准答案。关于 ERA5 本身的来龙去脉，可以参考 ERA5 完全解读 与 ERA5 产品页。
第二，功率预测的"上游气象输入"正在变快、变多。 GraphCast 在 1 分钟内输出 10 天、数百变量的能力，意味着短期到中期的功率预测可以拿到更高频、更密集的气象驱动场。对 风电功率预测 和 光伏功率预测 而言，更丰富的风速、辐射输入有助于提升预测模型的训练样本质量。相关行业落地可进一步参考 风电场景方案 与 光伏场景方案。
第三，历史数据与预报数据的口径要打通。 既然 AI 模型用 ERA5 训练、又要在业务中和德国气象局这类预报源协同，新能源团队就需要一套字段命名、单位、时空分辨率都一致的数据通道，避免在"历史回测用一套字段、实时预报用另一套字段"之间反复换名。这正是双数据源平台的价值所在——历史用 ERA5，预报用 德国气象局预报，字段口径统一。
在运梦气象 API 上手
南京运梦科技的运梦气象 API 同时提供 ERA5 与德国气象局双数据源，字段统一通过 downloadSync 接口按 dataSourceId 与 fields 拉取，刚好对应 GraphCast"历史训练 + 预报应用"两类需求。
按场景选字段的常用思路：
- 风资源 / 风电功率：
u100、v100、ws、wd - 光伏辐射 / 光伏功率：
rsds、dni、dhi - 常规气象 / 偏差订正：
tas、hurs、sp、pr
如果你想复刻 GraphCast 的思路——拿 ERA5 长序列做模型训练或回测，请求体大致是这样：
import os, requests
API = "https://console.yun-meng.top/api/energy-weather/search/weather/action/downloadSync"
payload = {
"dataSourceId": "era5", # 历史训练真值，与 GraphCast 同源
"lat": 31.5, "lon": 118.5, # 风电 / 光伏场址单点
"stime": "1979-01-01 00:00",
"etime": "2017-12-31 23:00", # 与论文训练区间相近的长序列
"fields": ["u100", "v100", "ws", "wd", "rsds", "tas"],
"timezone": "8",
}
resp = requests.post(API, headers={"Authorization": f"Bearer {os.environ['YUNMENG_TOKEN']}"},
json=payload, timeout=600)
resp.raise_for_status()
result = resp.json()
if not result.get("success"):
raise RuntimeError(result.get("msg", "查询失败"))
data = result["data"]
print(len(data["timeList"]), data["u100"][0], data["rsds"][0])
如果转向预报场景，只需把 dataSourceId 换成 ger，并把时间窗调整到未来时效即可。字段含义、单位与完整定义见 数据要素解释，接口参数以 API 参考文档 为准。两条产品线的详情分别见 ERA5 产品页 与 德国气象局预报。
一点工程提醒
GraphCast 之所以能做到"分钟级出图"，前提是有一份干净、连续、口径一致的 ERA5 作为输入。落到工程上，无论你是训练自己的轻量预测模型，还是只做特征工程，先把历史气象数据的字段、单位、时区统一好，比急着上模型更重要——这也是这篇论文给数据工程的隐性启示。
常见问题
GraphCast 是什么？它和传统天气预报有什么不同？ GraphCast 是 Google DeepMind 提出的图神经网络（GNN）天气预报模型，走纯数据驱动路线。它能在 1 分钟内输出未来 10 天、0.25° 分辨率的全球预报，相比依赖超级计算机长时间运算的传统数值预报，在出图效率上是明显跨越。
GraphCast 真的比 ECMWF 更准吗？ 论文显示 GraphCast 在多数评测指标上超越了 ECMWF 的业务确定性预报 ECMWF-HRES。但这是"多数指标"这一有边界的结论，并不意味着传统物理模式被取代，二者更多是互补关系。
GraphCast 用什么数据训练？为什么和 ERA5 关系这么大？ GraphCast 完全以 ERA5 再分析数据集为训练真值，使用约 1979–2017 共 39 年历史数据，预测时以 ERA5 初始场自回归滚动驱动，评测也以 ERA5 为基准。可以说 ERA5 既是它的"教材"，也是判卷时的"标准答案"。
做新能源功率预测，可以怎么用上这套思路？ 新能源团队可以拿 ERA5 长序列做资源评估与模型训练/回测，再用预报源做实时驱动。关键是把历史与预报的字段命名、单位、时空分辨率打通——历史用 ERA5，预报用德国气象局，字段口径统一。
在运梦气象 API 上如何获取 ERA5 与预报数据？
运梦气象 API 同时提供 ERA5 与德国气象局双数据源，统一通过 downloadSync 接口按 dataSourceId 与 fields 拉取。历史训练用 dataSourceId: "era5"，预报场景把它换成 ger 并将时间窗调整到未来时效即可。
引用与原文
Lam et al. Learning skillful medium-range global weather forecasting (GraphCast). Science, 2023. Google DeepMind 出品并开源。