阅读时间 4 分钟数据与 AI

AI 气象训练数据:模型需要它具备什么

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。

插图:夜间海岸线上空悬着一个半透明的三维模式网格,其中一个网格单元亮着琥珀色的光,包住一块正在降雨的雷暴云。

首次发布于 2026年11月11日 · 更新于 2026年11月16日

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。

AI 气象模型对训练数据的要求

分辨率

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。

变量

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。

历史时段

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。

时间间隔

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。

一致性

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。

元数据

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。

一个公开案例:Weather 1K

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:

  • 覆盖美国本土的 1 km 空间分辨率;
  • 10 分钟的时间间隔;
  • 从海平面到 62,000 ft 的垂直范围;
  • 约 7 PB 的数据量。

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。

定制数据集如何界定范围和交付

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:

  • 区域:数据必须覆盖的范围。
  • 变量:您的模型要预测的场,以及它用来学习的场。
  • 分辨率:典型需求约为 1 km 或 3 km。
  • 时间间隔:典型需求为 15 分钟、30 分钟、逐小时或逐日。
  • 历史时段:对于历史数据集,需要生成的过去时段。
  • 预报时效:当数据是预报时,每次运行向前预报多远。
  • 格式与交付:NetCDF、GRIB、Zarr、CSV、JSON 或 API。

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。

费用

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:

  • 区域大小。范围越大,需要计算和存储的气柱就越多。
  • 分辨率。网格越细,需要的计算和存储越多。了解计算成本是如何比较的。
  • 历史时段。十年的天气数据,计算量和存储量大约是一年的十倍。
  • 时间间隔。每 15 分钟输出一次,数据量是逐小时输出的 60 ÷ 15 = 4 倍。
  • 验证。项目需要做多少对照观测的核查。
  • 集成。交付物需要做多少调整,才能适配您现有的系统。

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。

下一步

界定您的数据集范围,或进一步了解 TempoQuest 的定制气象数据。

您的训练数据集

带上您的数据需求。

告诉我们您的模型所需的区域、档案、要素场和权利。我们会审核每一份申请。