GraphCast模型中输入变量与强迫变量的关系解析

背景概述

GraphCast是Google DeepMind开发的一款基于图神经网络的天气预报模型。在该模型中，输入数据的处理方式对于理解其工作原理至关重要。特别是在模型的数据预处理阶段，输入变量(input variables)和强迫变量(forcing variables)的设计与处理方式值得深入探讨。

输入变量与强迫变量的设计

GraphCast模型在定义预测任务时，会明确指定两类变量集合：

1. 输入变量：包含当前和过去时刻的气象观测数据
2. 强迫变量：包含未来时刻可计算的气象强迫数据

以1度分辨率和13个气压层的配置为例，输入变量包括：

• 2米温度
• 平均海平面气压
• 10米风速分量
• 6小时总降水量
• 温度
• 位势高度
• 风速分量
• 垂直速度
• 比湿
• 太阳入射辐射
• 年周期正弦/余弦分量
• 日周期正弦/余弦分量
• 地表位势
• 海陆掩膜

而强迫变量则包含：

• 太阳入射辐射
• 年周期正弦/余弦分量
• 日周期正弦/余弦分量

变量重复的深层原因

表面上看，强迫变量似乎完全包含在输入变量中，但实际上它们代表的是不同时间维度的数据：

1. 输入变量中的强迫相关变量：代表当前和过去时刻的值
2. 强迫变量：代表未来时刻的值

这种设计使得模型能够：

• 基于历史观测数据进行初始条件设定
• 利用可计算的未来强迫信息增强预测能力
• 支持模型的自回归滚动预测

数据处理流程解析

在_inputs_to_grid_node_features方法中，输入变量和强迫变量会被拼接(concat)处理，这是因为：

1. 它们代表不同时间维度的信息
2. 拼接后形成完整的时空特征表示
3. 为图神经网络提供全面的节点特征

值得注意的是，在自回归预测过程中，随着时间推进，前一时刻的"未来"强迫变量会成为当前时刻的"现在"输入变量，这种动态转换是通过rollout.py中的逻辑实现的。

模型输入维度分析

在实际运行中，拼接后的特征维度(如183维)与模型参数中的输入维度(如186维)可能存在差异。这通常是由于模型自动添加了以下类型的特征：

1. 位置编码特征
2. 标准化/归一化参数
3. 辅助预测特征

这些额外特征由模型内部自动处理，用于增强模型的时空建模能力。

技术意义总结

GraphCast的这种变量设计体现了几个重要的气象建模原则：

1. 时间连续性：明确区分过去、现在和未来的气象要素
2. 物理约束：强迫变量都是可解析计算的气象要素
3. 自回归兼容：确保滚动预测时变量状态的正确传递
4. 信息完整性：通过特征拼接保留所有相关信息

这种设计使得GraphCast能够在保持物理合理性的同时，充分利用深度学习的表征能力，实现了高精度的气象预报。