这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

GraphCast：基于机器学习的全球中期天气预报新突破

作者及机构
本研究由Google DeepMind和Google Research的联合团队完成，第一作者包括Rémi Lam、Álvaro Sánchez-González、Matthew Willson等，通讯作者为Rémi Lam、Shakir Mohamed和Peter Battaglia。论文于2023年12月22日发表在《Science》期刊（卷382，期1416-1421）。

学术背景
全球中期天气预报（medium-range weather forecasting）对灾害预警、农业规划和能源调度等社会经济领域至关重要。传统数值天气预报（Numerical Weather Prediction, NWP）依赖超级计算机求解大气动力学方程，虽逐年改进，但存在两大局限：
1. 计算成本高：需消耗大量算力提升精度；
2. 历史数据利用率低：模型改进依赖专家经验而非数据驱动。

机器学习天气预报（Machine Learning-based Weather Prediction, MLWP）通过从历史数据（如再分析资料）中学习规律，有望突破上述限制。然而，此前MLWP模型在中期预报（10天）的精度和分辨率上仍落后于NWP。本研究提出的GraphCast，首次在全局0.25°分辨率（约28公里）的中期预报中超越传统NWP的黄金标准——欧洲中期天气预报中心（ECMWF）的高分辨率预报系统（HRES）。

研究流程与方法

1. 模型架构设计
GraphCast基于图神经网络（Graph Neural Network, GNN），采用“编码器-处理器-解码器”结构（encoder-processor-decoder），包含3670万参数。其核心创新包括：
- 多网格表示（Multimesh）：将地球网格转换为由二十面体迭代细化的图结构（含40,962个节点），兼顾计算效率与空间分辨率；
- 消息传递机制：16层非共享GNN层实现局部与长程信息的高效传播；
- 自回归预测：以6小时为步长迭代生成10天预报，单次预测耗时不到1分钟（基于单个Google Cloud TPU v4设备）。

2. 数据与训练
- 数据来源：使用ECMWF的ERA5再分析数据（1979–2017年），覆盖5种地表变量（如2米温度、海平面气压）和6种大气变量（如风速、比湿），共227