NASA发布了prithvi WxC气象模型发布
Prithvi是NASA开源的模型，被誉为全球最大的开源地理空间大模型。昨天晚上逛X平台，我看到Prithvi模型又来了新成员：prithvi WxC。（推荐阅读：
使用多时相的遥感影像进行自动分类的开源模型
）。
Prithvi WxC，是
NASA和IBM创建了一个基于MERRA-2数据的天气和气候AI基础模型—。先来看看效果：
zero-shot learning填补缺失的气象数据
Zero-shot，指零样本。
这里使用prithvi气象模型，而无需额外的特定训练，就可以输出补全后的气象数据。
对飓风艾达(Hurricane Ida)进行的零样本预测:
展示了 Prithvi WxC 模型在没有特定训练的情况下预测复杂天气系统的能力。
Gravity Wave
预测
重力波Gravity Wave虽然是一个小尺度现象，但对大气动力学有重要影响。
将其纳入气象模型（如Prithvi WxC）可以显著提高模型的预测能力和物理准确性，特别是在处理复杂地形和大气动力学时。
已有的Pretrained models预训练模型
用户可以直接下载Pretrained models模型，或在此基础上进行微调以适应特定的天气/气候任务，不需要从头开始训练。目前官方提供了
三个版本的预训练模型
，分别为：prithvi.wxc.2300m.v1、prithvi.wxc.rollout.2300m.v1和Gravity_wave_Parameterization。
|
特性
|
prithvi.wxc.2300m.v1
|
prithvi.wxc.rollout.2300m.v1
|
|
参数数量
|
23亿
|
23亿
|
|
训练数据
|
MERRA-2的160个变量
|
MERRA-2的160个变量
|
|
主要用途
|
通用场景，不专注于预测
|
预测应用
|
|
掩码比例
|
50%
|
未指定
|
|
输入时间差
|
可变 [-3, -6, -9, -12]小时
|
固定6小时
|
|
预测提前时间
|
可变 [0, 6, 12, 24]小时
|
固定6小时
|
|
优化重点
|
灵活性
|
自回归展开
|
|
推荐应用
|
通用用例，包括0小时预测
|
专门的预测任务
|
|
模型能力
|
重构大气状态，状态推进
|
重构大气状态，状态推进
|
|
输入
|
两个时间戳的数据
|
两个时间戳的数据
|
|
输出
|
单个（可能是未来的）时间戳的数据
|
单个（可能是未来的）时间戳的数据
|
|
Hugging Face链接
|
https://huggingface.co/Prithvi-WxC/prithvi.wxc.2300m.v1
|
https://huggingface.co/Prithvi-WxC/prithvi.wxc.rollout.2300m.v1
|
此外，表格中没有列出Gravity_wave_Parameterization模型（基础模型针对重力波微调后的版本），下载地址为：https://huggingface.co/Prithvi-WxC/Gravity_wave_Parameterization。这三个模型的大小都在30G左右，下载后就能直接使用。
Gravity_wave_Parameterization模型的架构
子模型：granite-geospatial-wxc-downscaling模型（降尺度模型）
数据使用该模型的前后对比动图
降尺度模型是基于Prithvi WxC基础模型进行微调，可用于MERRA-2数据和EURO-CORDEX气候模拟的降尺度处理。取0.5 x 0.625度分辨率的MERRA-2数据，在每个轴上降尺度6倍，大约为0.083 x0.104度的分辨率（大约是从55kmx68.75km提升到了
为9.13x11.5km分辨率
）。EURO-CORDEX气候模拟数据，则是可进行进行12倍降尺度处理。
downscaling降尺度模型安装与预测
github代码地址：https://github.com/IBM/granite-wxc
huggingface地址.https://huggingface.co/ibm-granite/granite-geospatial-wxc-downscaling
也可以自己下载改地址在本地安装，安装方法如下：
git clone https://github.com/NASA-IMPACT/Prithvi-WxC
git clone https://github.com/IBM/granite-wxc.git
cd Prithvi-WxC
pip install '.[examples]'
cd ../granite-wxc
pip install '.[examples]'
安装前，最好是用conda创建一个虚拟的python环境，官方的配置要求是python 3.11以上。我不想安装在C盘，安装命令如下：
conda create --prefix F:\conda_env\NASA_WEATHER_MODEL python=3.11
git clone https://github.com/NASA-IMPACT/Prithvi-WxC
git clone https://github.com/IBM/granite-wxc.git
cd Prithvi-WxC
pip install ".[examples]" //windows电脑改为双引号
cd ../granite-wxc
pip install ".[examples]" //windows电脑改为双引号
安装完成截图
再用conda安装环境需要的包，然后打开granitewxc_downscaling_inference.ipynb文件，开始运行jupyter notebook（
运行前先给你的电脑装上CUDA
，不然是用CPU跑模型）：
然后就可以开始运行了，
