开源项目 Neural-LAM 使用教程

1. 项目介绍

Neural-LAM 是一个基于图神经网络的有限区域气象预报模型的开源项目。它使用 PyTorch 和 PyTorch Lightning 作为主要框架，并实现了多种图神经网络模型，用于模拟大气流体动力学，进行气象预测。项目旨在为有限区域气象建模提供一个模块化的代码库，使用户能够根据需要更换模型、图结构或数据组件。

2. 项目快速启动

环境准备

• 克隆项目仓库到本地：

  git clone https://github.com/joeloskarsson/neural-lam.git
  cd neural-lam
  

• 安装项目依赖

  使用 pdm 管理器（推荐）：

  pdm venv create --with-pip
  pdm install
  

  或者直接使用 pip：

  python -m pip install .
  

  如果需要特定的 torch 版本，可以通过以下命令安装：

  # CPU-only 版本
  pdm run python -m pip install torch --index-url https://download.pytorch.org/whl/cpu
  
  # CUDA 11.1 支持
  pdm run python -m pip install torch --index-url https://download.pytorch.org/whl/cu111
  

配置与运行

• 创建配置文件 config.yaml，包含数据存储配置和模型训练、评估的相关参数。

• 使用以下命令启动模型训练：

  pdm run python train.py --config config.yaml
  

3. 应用案例和最佳实践

• 数据准备：根据具体需求准备气象数据，并将其转换为项目支持的格式（如 zarr 或 numpy 文件）。

• 图结构定义：根据有限区域的地理特征定义图结构，用于模型中的消息传递。

• 模型训练：使用 train.py 脚本进行模型训练，通过配置文件调整训练参数。

• 模型评估：使用 evaluate.py 脚本对训练好的模型进行评估。

• 模型部署：将训练好的模型部署到生产环境，进行实际气象预报。

4. 典型生态项目

Neural-LAM 作为开源项目，可以与以下典型生态项目结合使用：

• 数据管理：使用 xarray 等库进行气象数据的存储和管理。

• 模型可视化：结合 Matplotlib 或 Seaborn 等库进行模型训练和预测结果的可视化。

• 高性能计算：利用 GPU 加速模型训练，提高计算效率。

• 持续集成/持续部署 (CI/CD)：使用 GitHub Actions 等工具实现项目的自动化测试和部署。