AceCAST 5:新增内容
AceCAST 5 现已推出。变化如下:WRF 4.8、四项物理方案更新和四项新增模式输出。
AI 气象模型只能学到训练数据展示给它的东西。本文列出需要明确的六项属性、一个公开案例,并说明定制数据集如何界定范围、交付和定价。

AI 气象模型是从样本中学习大气的。训练数据从未展示过的雷暴、海风或风的爬坡,它学不会。所以在考虑模型架构之前,数据科学负责人要先回答一个更朴素的问题:AI 气象训练数据必须包含什么,又从哪里来?本文列出需要明确的六项属性,给出一个公开案例来说明一个项目可以达到的规模,并介绍 TempoQuest 如何为定制数据集界定范围、交付和定价。
网格间距限制了训练数据中的细节。如果网格单元太粗、无法分辨雷暴,模型看到的就只是它在一个网格单元上的平均值。如果目标是翻越山脊的风、光伏电站上空的云或城市汇水区上的降雨,数据就必须在相应尺度上分辨出地形、海岸线和雷暴。
用您要预测的量以及驱动它的量来训练。风电需要风机高度上的风,而不只是 10 m 高度的风。光伏需要云。取自同一次物理模式运行的各个场还彼此协调:同一网格单元中的风、气温和气压在同一时刻服从同一套物理规律。由不同来源拼接起来的场则未必如此。
数据记录必须覆盖每个季节,并包含足够多您所关心的罕见事件。极端事件按定义就是稀少的,所以记录一短,最先缺的就是它们。要留出完整的时段用于评估。随机划分会泄漏信息,因为相邻的时间步几乎一模一样。
数据的时间步长决定了模型能学到的最快变化。单个雷暴单体可以在大约一小时内生成并消亡,所以逐小时的快照会漏掉它生命史的大部分。每 10 或 15 分钟一次的数据则能把它保留下来。
要求整段记录使用同一个模式版本、同一套配置和同一套网格。业务预报的存档会随着预报系统的每次升级而变化,而学习模型可能把这些跳变误当成天气。
单位、地图投影、垂直层、时间约定(UTC、有效时间、降水的累积时段)、模式配置和缺测值标记。没有这些信息,数据处理流程只能靠猜,而猜错了也不会有任何报错。
2026年4月23日,MITRE 和 The Weather Company 就高分辨率 AI 训练数据集 Weather 1K宣布开展合作,The Weather Company 已获得该数据集的使用许可,用于 GRAF 的研究与开发。按公告的描述,该数据集具有:
公告在开发 Weather 1K 所用的建模工具中提到了 TempoQuest 的 AceCAST。AceCAST 在 NVIDIA GPU 上运行 WRF,即由 NCAR 维护的天气研究与预报模式。
这里引用 Weather 1K,是把它作为一个公开案例,说明某个项目所设定的分辨率、时间间隔和数据量。TempoQuest 的定制数据不是 Weather 1K 的转售,而是为每位客户单独界定范围。
TempoQuest 为 AI 训练、风险分析、规划和运营界定范围、生成、打包并交付针对具体项目的高分辨率模式输出和衍生数据集。上面的六项属性正是在界定范围时落实为规格的。范围包括:
范围商定后,TempoQuest 生成模式输出、打包,并以您选定的格式交付。
第一次沟通时请带上三样东西:数据要服务的模型或决策、您将用来核对数据的观测,以及数据要载入的系统。您需要的元数据也请写进范围。如果数据将对照气象站、激光雷达或雷达进行评分,请一开始就说明。我们的预报检验指南说明了这种评分是怎么做的。
定制气象数据按项目定价,因为价格取决于工作量。决定价格的有六个因素:
实际的结果是:分辨率、时间间隔和历史时段三者相乘。在把三项都要到最高之前,请先确定您的模型最需要其中哪一项。