Aurora 大规模大气基础模型 Demo

教程简介

随着全球气候变化和自然灾害频发，精确可靠的地球系统预测对于减轻灾害影响、支持人类社会进步都至关重要。传统的数值模型虽然功能强大，但计算成本极高，限制了其广泛应用。近年来，人工智能在环境预测领域展现出巨大潜力，特别是在提高预测性能和效率方面。然而，在地球系统多个关键领域，AI 的潜力仍未得到充分探索。

为了应对这一挑战，来自微软的研究团队及其合作者推出了首个大规模大气基础模型 Aurora，通过在超过一百万小时的多样化地球物理数据上进行预训练，并在多个特定任务上进行微调，实现对空气质量、海洋波浪、热带气旋路径及高分辨率天气等多种地球系统变量的准确预测。在显著降低计算成本的同时，超越现有操作预测系统的性能，推动高质量气候和天气信息的广泛获取。经验证表明，与最先进的数值预报系统 IFS 相比，Aurora 的计算速度提升了约 5000 倍。

以下是 Aurora 在不同领域取得的具体研究成果：

• 在空气质量预测方面，Aurora 在 5 天全球空气污染预测中，以 0.4° 分辨率实现了对资源密集型数值大气化学模拟的超越，在 74% 的目标上表现更优；
• 在海浪预测领域，它在 10 天全球海洋波浪预测中，以 0.25° 分辨率在 86% 的目标上超过了成本高昂的数值模型；
• 针对 5 天热带气旋路径预测，Aurora 全面超越了 7 个操作预测中心，在所有目标上实现了 100% 的超越率；
• 在 10 天全球天气预测中，Aurora 以 0.1° 分辨率在 92% 的目标上超过了最先进的数值模型，同时改进了对极端事件的预测性能。在极端事件预测上也有提升。

模型结构方面，Aurora 采用 3D Swin Transformer 架构，结合 3D Perceiver 编码器和解码器。该模型由编码器、处理器和解码器 3 部分组成。编码器将异构输入转换为通用的 3D 潜在表示，处理器通过 3D Swin Transformer 实现时间上的向前演化，解码器则将潜在表示转换回物理预测。

相关研究论文以「A foundation model for the Earth system」为题，已在 Nature 上发表。

本教程采用资源为单卡 A6000 。

「工作空间」内含以下 notebook 自动化脚本演示示例：

• 演示示例为「对 ERA5 的预测」

英文版：demo_Predictions for ERA5.ipynb

中文版：demo_Predictions for ERA5-cn.ipynb

• 演示示例为「HRES T0 的预测」

英文版：demo_Predictions for HRES T0.ipynb

中文版：demo_Predictions for HRES T0-cn.ipynb

• 演示示例为「0.1 度分辨率下的 HRES 预测」

英文版：demo_Predictions for HRES at 0.1 Degrees.ipynb

中文版：demo_Predictions for HRES at 0.1 Degrees-cn.ipynb

• 演示示例为「空气污染预测」

英文版：demo_Predictions for Air Pollution.ipynb

中文版：demo_Predictions for Air Pollution-cn.ipynb

• 演示示例为「台风南玛都的轨迹预测」

英文版：demo_Track Predictions for TyphoonNanmadol.ipynb

中文版：demo_Track Predictions for TyphoonNanmadol-cn.ipynb

模型介绍

1. aurora-0.4-air-pollution

Aurora-0.4-air-pollution 代表了 AI 在地球科学领域的范式突破，其通过数据驱动方法实现了对复杂大气化学过程的高效建模。该模型已在实际业务中验证了其可靠性（如集成至微软 MSN 天气服务），并为环境治理和公共健康领域提供了新的技术工具。

演示示例-空气污染预测

英文版：demo_Predictions for Air Pollution.ipynb

中文版：demo_Predictions for Air Pollution-cn.ipynb

2. aurora-0.25-pretrained

aurora-0.25-pretrained 基于创新的 3D Swin Transformer 架构，结合了 Perceiver 编码器-解码器结构，能够灵活处理多尺度、多变量的大气数据。

演示示例-对 ERA5 的预测

英文版：demo_Predictions for ERA5.ipynb

中文版：demo_Predictions for ERA5-cn.ipynb

3. aurora-0.25-finetuned

aurora-0.25-finetuned 是 Aurora 模型在特定任务（如 0.25°分辨率预测）上的微调版本，兼具高效性、多任务适应性和高精度特点。其技术核心在于灵活的基础模型架构与大规模数据训练的结合，为地球科学领域的预测任务提供了新的范式。

演示示例为-HRES T0 的预测

英文版：demo_Predictions for HRES T0.ipynb

中文版：demo_Predictions for HRES T0-cn.ipynb

演示示例为-台风南玛都的轨迹预测

英文版：demo_Track Predictions for TyphoonNanmadol.ipynb

中文版：demo_Track Predictions for TyphoonNanmadol-cn.ipynb

4. aurora-0.1-finetuned

aurora-0.1-finetuned 是一个经过微调（Fine-tuning）的检查点文件（Checkpoint），用于高性能大气预测任务。能以 0.1°分辨率（约 11 公里）快速生成 5 天全球空气污染预测和 10 天天气预报，计算效率比传统数值模型高约 5000 倍。

演示示例为-0.1 度分辨率下的 HRES 预测

英文版：demo_Predictions for HRES at 0.1 Degrees.ipynb

中文版：demo_Predictions for HRES at 0.1 Degrees-cn.ipynb

交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@article{bodnar2025aurora,
    title = {A Foundation Model for the Earth System},
    author = {Cristian Bodnar and Wessel P. Bruinsma and Ana Lucic and Megan Stanley and Anna Allen and Johannes Brandstetter and Patrick Garvan and Maik Riechert and Jonathan A. Weyn and Haiyu Dong and Jayesh K. Gupta and Kit Thambiratnam and Alexander T. Archibald and Chun-Chieh Wu and Elizabeth Heider and Max Welling and Richard E. Turner and Paris Perdikaris},
    journal = {Nature},
    year = {2025},
    month = {May},
    day = {21},
    issn = {1476-4687},
    doi = {10.1038/s41586-025-09005-y},
    url = {https://doi.org/10.1038/s41586-025-09005-y},
}