| 模型名称 | 开发机构 | 开放类型 | 编程语言 | 数据源 | 核心算法架构 | 代码链接 |
|---|---|---|---|---|---|---|
| FourCastNet | NVIDIA | 开源 | Python, CUDA | ERA5（40年） | ViT + 适应性傅里叶神经算子（AFNO） | GitHub |
| 盘古 | 华为 | 开源 | Python, PyTorch | ERA5（39年） | Transformer | GitHub |
| GraphCast | Google/DeepMind | 开源 | Python, JAX | ERA5（39年） | 图神经网络（GNN） | GitHub |
| ClimaX | Microsoft | 开源 | Python, PyTorch | ERA5, CMIP6 | Transformer | GitHub |
| 风乌 | 上海人工智能实验室 | 开源 | Python, PyTorch | ERA5（39年） | Transformer | GitHub |
| 伏羲 | 复旦大学 | 开源 | Python, PyTorch | ERA5（39年） | U-Transformer + Cascade级联 | GitHub |
| Aurora | Microsoft | 开源 | Python, JAX | ERA5, MARS | Transformer | GitHub |
| DLWP | 华盛顿大学 | 开源 | Python, TensorFlow | CFS, ERA5 | CNN | GitHub |
| 模型 | 预报时效 | 有效预报时效（Z500 ACC>0.6） | 分辨率与预报范围 | 模型内核 | 预报要素 |
|---|---|---|---|---|---|
| 伏羲 | 中期（15天） | 约10.8天 | 0.25°×0.25°，6h，全球 | 数据驱动 | 5个地表变量（含降水）+ 5个大气变量 |
| 风乌 | 中期（10.75天） | 10.75天 | 0.25°×0.25°，6h，全球 | 数据驱动 | 4个地表变量（不含降水）+ 5个大气变量 |
| GraphCast | 中期（10天） | 9.75天 | 0.25°×0.25°，6h，全球 | 数据驱动 | 5个地表变量（含降水）+ 6个大气变量 |
| Pangu-Weather | 短/中期（1h-7天） | 超过7天 | 0.25°×0.25°，6h，全球 | 数据驱动 | 4个地表变量（不含降水）+ 5个大气变量 |
| FourCastNet | 短/中期 | 不到7天 | 0.25°×0.25°，6h，全球 | 数据驱动 | 5个地表变量（含降水）+ 4个大气变量 |
| DLWP | 短/中期 | 不到6天 | 1.9°×1.9°，6h，全球 | 数据驱动 | 4个地表变量（不含降水） |
| 模型 | 显卡配置 | 预测速度 |
|---|---|---|
| 伏羲 | 8个NVIDIA A100 GPU • 预训练：约30小时 • 微调：2天 |
（数据缺失） |
| 风乌 | 32个NVIDIA A100 GPU • PyTorch开发 • 总训练时间：17天 |
• 10天预测生成时间：<30秒 • 能耗：12 kJ（比IFS模型低2000倍） |
| GraphCast | 32个Cloud TPU v4 • 训练时间：21天 |
• 10天预测生成时间：60秒（35GB数据） |
| Pangu-Weather | 192块NVIDIA V100 GPU • 训练配置：小时采样，100 epoch • 训练时间：16天 |
• 24小时全球预报：1.4秒（单V100） • 比传统数值预报快10000倍 |
| FourCastNet | 4个NVIDIA A100 GPU | • 100成员24小时预报：7秒（30km分辨率） • 每个GPU处理25个batch |
| DLWP | 单块NVIDIA Tesla V100 GPU • 训练时间：2-3天 |
• 全球28天预测：<0.2秒 • 1000成员月预报集合：约3分钟 |
| 模型名称 | 开发机构 | 开放类型 | 编程语言 | 数据源 | 核心算法架构 | 代码链接 |
|---|---|---|---|---|---|---|
| MetNet | 开源 | Python, TensorFlow | MRMS, GOES-16 | U-Net | GitHub | |
| DeepRain | 韩国科学技术信息研究院 | 开源 | Python, PyTorch | 雷达数据 | CNN | |
| NowcastNet | 清华大学 | 开源 | Python, PyTorch | 雷达观测（6年） | U-Net | GitHub |
| 模型名称 | 开发机构 | 类型 | 开放类型 | 编程语言 | 代码/资源链接 |
|---|---|---|---|---|---|
| CMAQ | 美国环保署 | 大气污染 | 开源 | Fortran | GitHub |
| CALPUFF | 美国环保署 | 大气污染 | 商业 | Fortran | SRC |
| AERMOD | 美国环保署 | 大气污染 | 商业 | Fortran | EPA |
| WRF-Chem | 美国国家大气研究中心 | 大气化学 | 开源 | Fortran, C | 官方下载 |
| CAMx | ENVIRON | 大气化学 | 商业 | Fortran | 官方下载 |
| GEOS-Chem | 哈佛大学 | 大气化学 | 开源 | Fortran | GitHub |
| EPICC | 中科院大气物理研究所 | 大气化学 | 免费申请 | Fortran | 官方下载 |
| 模型名称 | 开发机构 | 类型 | 开放类型 | 编程语言 | 代码/资源链接 |
|---|---|---|---|---|---|
| Visual MODFLOW Flex | Waterloo Hydrogeologic | 地下水 | 商业 | C#, Fortran | 官方下载 |
| MODFLOW 6 | 美国地质调查局 | 地下水 | 开源 | Fortran | GitHub |
| GMS | Aquaveo | 地下水 | 商业 | C++, Python | 官方下载 |
| TOUGH | 劳伦斯伯克利国家实验室 | 多相流 | 商业 | Fortran | 官方下载 |
| HYDRUS | PC-Progress | 土壤水 | 商业 | Fortran, C++ | 官方下载 |
| WASP | 美国环保署 | 水质模拟 | 开源 | Fortran | 官方下载 |
| 模型名称 | 开发机构 | 类型 | 开放类型 | 编程语言 | 代码/资源链接 |
|---|---|---|---|---|---|
| LEAP | 斯德哥尔摩环境研究所 | 综合评估 | 商业 | C#, .NET | 官方下载 |
| GCAM | 联合全球变化研究所 | 综合评估 | 开源 | C++, R | GitHub |
- Transformer架构：用于全球天气预报，如Pangu-Weather、ClimaX等
- 图神经网络：用于天气预报和气候预测，如GraphCast
- 卷积神经网络：用于降水预报，如MetNet、DeepRain
- 傅里叶神经算子：用于天气预报，如FourCastNet
- 有限差分法：用于大气和水文模拟，如WRF、MODFLOW
- 欧拉网格法：用于大气污染模拟，如CMAQ
- 半拉格朗日方案：用于大气环流模拟，如GEM
| 领域 | 主要编程语言 | 说明 |
|---|---|---|
| 大气环境 | Fortran, C | 大多数传统大气模型（WRF-chem、CMAQ、CAMx等）主要使用Fortran开发，部分模块使用C语言 |
| 地表水/海洋 | C#, Fortran, C++ | 时空增益模型主要使用C#，传统水文模型使用Fortran和C++，支持河流湖库与海洋联合模拟 |
| 土壤地下水 | Fortran | MODFLOW、TOUGH、HYDRUS等主要使用Fortran开发 |
| 经济社会 | GAMS, Python, Java | CGE模型主要使用GAMS，系统动力学模型使用Python和Java |
| 生态系统 | Python, R | 新开发的生态模型主要使用Python和R |
| 编程语言 | 主要应用场景 | 优势 | 局限性 |
|---|---|---|---|
| Fortran | 数值计算密集型模型 | 高性能计算，数组运算效率高 | 生态系统不完善，现代特性支持有限 |
| C/C++ | 性能关键模块 | 底层控制，高性能 | 开发效率相对较低 |
| Python | 新型模型开发，数据处理 | 生态系统丰富，开发效率高 | 计算性能相对较低 |
| GAMS | 经济模型 | 优化问题求解能力强 | 专用语言，应用范围受限 |
| Java | 系统动力学 | 跨平台，面向对象 | 数值计算性能一般 |
| C# | 水文模型 | .NET生态，开发效率高 | 跨平台支持相对较弱 |
传统数据模型：推荐使用centos 7+，稳定性优先。 深度学习相关模型开发：Ubuntu 22.04 LTS（CUDA支持完善），兼容docker部署。
| 编程语言 | 兼容性推荐版本 | 新项目建议版本 | 关键说明 |
|---|---|---|---|
| Fortran | Fortran 90/95 | Fortran 2008+ | • 90/95：气象模式（如WRF）广泛使用，兼容性好 • 2008+：支持面向对象、并行计算增强，适合新项目开发 |
| C | C11 | C17/C23 | C11平衡现代性与兼容性，新项目可选C17（稳定）或C23（前沿）。 |
| C++ | C++17 | C++20/C++23 | C++17工业级稳定，C++20引入模块化/协程等现代特性。 |
| Python | Python 3.9/3.10 (LTS) | Python 3.11+ | Python 2已淘汰，新项目必选3.x，3.10+支持最新库特性。 |
-
数据采集与存储
- Kafka + Flume：日志收集
- HBase + HDFS：数据持久化
- Elasticsearch：实时检索
-
数据处理与分析
- Spark + MLlib：机器学习
- Flink + CEP：复杂事件处理
- Hive + Presto：交互式查询
-
数据应用与服务
- Spring Cloud：微服务架构
- Zookeeper：服务注册与发现
- Kubernetes：容器编排部署
-
代码管理
推荐使用 Git，相关网站，国内团队可选Gitee，支持高效分支管理和多人协作，以及开发代码进度管理。 -
依赖管理
- Python项目：优先用 Conda（尤其适合数据科学），能管理多语言依赖和预编译包，包括很多数据计算的包。
- Java项目：使用 Maven，提供中央仓库，支持依赖传递，构建流程标准化。
- C/C++项目：推荐 Conan 或 vcpkg，管理第三方库依赖，跨平台支持。
- Fortran项目：使用 FPM（Fortran Package Manager）管理依赖，或通过 CMake 配合其他包管理工具。
-
开发部署
建议 Docker 容器化部署，确保环境一致性，便于移植和扩展。跨语言的复杂环境，建议使用dockerfile进行管理。
- AI-for-Earth-Paper-List - OpenEarthLab整理的AI地球科学论文列表
- Awesome-AI-for-Atmosphere-and-Ocean - 清华大学整理的AI大气和海洋科学论文列表
- AI气象大模型比较 - AI气象大模型比较