mllam/neural-lam

解决的问题

Neural-LAM 提供了一个专门为有限区域建模（LAM）设计的神经天气预报框架。它允许研究人员实现和训练基于图的神经网络，以模拟特定地理区域随时间变化的大气流体流动，为传统数值天气预报模型提供了一种模块化的替代方案。

工作原理

该项目使用图神经网络（GNN）来模拟天气模式。它基于 PyTorch 和 PyTorch Lightning 构建，GNN 实现由 PyG（PyTorch Geometric）处理。系统是模块化的，将模型架构、图结构（定义消息传递方式）和数据加载过程分离。

数据通过“数据存储”（如用于 zarr 文件的 MDPDatastore 或用于 numpy 文件的 NpyFilesDatastoreMEPS）处理，这些数据存储加载天气数据并将空间坐标展平为网格索引。然后，WeatherDataset 类在时间上对这些数据进行采样，用于训练和评估。该框架支持多种模型架构，包括 GraphCast 版本和分层 GNN。

适用对象

它专为气象学家、气候科学家以及专注于区域天气预报和大气建模的 AI 研究人员设计。

亮点

• 多种模型架构：包括 GraphCast、分层模型和其他基于图的预测模型的实现。
• 模块化设计：允许独立替换模型、图和数据存储，以适应不同的地理区域和数据格式。
• 灵活的数据管道：通过可自定义的数据存储接口支持各种输入格式，并与 mllam-data-prep 集成以优化训练数据。
• 科学基础：直接实现了神经天气预报领域同行评审出版物中的模型。