OmniCast模型：革新S2S天气预报，精准预测中远期天气

加州大学洛杉矶分校的团队联合美国阿贡国家实验室提出了一种新型潜在扩散模型OmniCast，该模型在次季节至季节（Subseasonal-to-seasonal, S2S）尺度上实现了高精度概率性天气预报。

S2S尺度天气预报介于短期天气预报与长期气候预测之间，聚焦未来2至6周内的天气演变，为农业规划、灾害防御等提供了关键依据。然而，这一尺度的天气预报既难以依托快速衰减的大气初始信息，又难以捕捉慢变边界信号，使得预报难度显著增加。

传统数值天气预报（NWP）系统到深度学习驱动的气象预测方法的技术迭代，虽推动了S2S天气预报的发展，但在实际应用中仍存在诸多挑战。例如，传统数值方法计算成本极高且耗时较长；而数据驱动方法虽然在短期预报中表现优异，但在更长周期的S2S应用中会出现误差累积问题。

针对这些挑战，加州大学洛杉矶分校的团队提出了一种结合变分自编码器（VAE）和Transformer模型的新型潜在扩散模型OmniCast。该模型采用跨时空的联合采样方式，大幅缓解了自回归方法的误差累积问题，并能够学习初始条件之外的天气动态规律。实验证明，该模型在准确性、物理一致性和概率性指标上均达到了当前最优水平。

相关研究入选了AI顶级学术会议NeurIPS 2025，题为「OmniCast: A Masked Latent Diffusion Model for Weather Forecasting Across Time Scales」。

研究亮点：

* 通过同时考虑时空维度生成未来天气，OmniCast解决了基于自回归设计的模型误差累积问题。

* OmniCast能兼顾短期天气预报需要的大气初始信息和气候预测需要的慢变边界强迫条件。

* 在准确性、物理一致性和概率预测方面，OmniCast均优于现有方法，且计算速度比现有主流方法快10-20倍。

论文地址：https://go.hyper.ai/YANIu

数据集：基于广泛使用的ERA5基础数据集，分类适配不同预测任务

为确保OmniCast在训练和评估方面得到充分、合理的支持，研究采用了高分辨率再分析数据集ERA5作为基础数据来源。针对中期天气预报（Medium-range Weather Forecasting）和S2S天气预报两个不同任务进行了数据预处理。

研究从ERA5再分析数据集中提炼了69个气象变量，涵盖地面变量和大气变量两大类核心指标。

地面变量（4类）：2米气温（T2m）、10米U风速分量（U10）、10米V风速分量（V10）和平均海平面气压（MSLP）。

大气变量（5类）：位势高度（Z）、气温（T）、U风速分量、V风速分量和比湿（Q）。涵盖13个气压层。

针对不同预报任务，研究根据时间范围划分了训练集、验证集和测试集。

OmniCast模型：两阶段设计，构建S2S天气预测新范式

OmniCast的核心能力在于整体规避了传统自回归模型的误差累积问题，构建起兼顾短期天气预测和长期气候预测需求的能力。SeasonCast模型基于「两阶段」设计，首先通过VAE实现数据降维，然后通过带扩散头的Transformer实现时序生成。

第一阶段采用UNet架构实现的VAE，「降维」与「重构」高维度原始天气数据为低维度、连续的latent tokens。例如，在S2S天气预报任务中，VAE编码器可将原始天气数据压缩为潜在映射。

第二阶段采用掩码生成式Transformer，通过掩码训练和扩散预测直接建模未来全序列latent tokens。采用双向Encoder-Decoder架构，支持同时利用初始条件和已生成的可见tokens预测掩码部分。

为了提升短期预报准确性，研究还引入了辅助均方误差损失。

成果展示：对标两类方法，效率远超基准模型达10~20倍

研究人员将OmniCast与两类主流方法进行了比较，包括最先进的深度学习方法以及基于传统物理模型的数值方法。实验验证包括中期天气预报和S2S天气预报两个任务，分析指标包含准确性、物理一致性和概率性。

在S2S天气预测任务中，OmniCast在所有基准模型中偏差最小，对三类目标变量的预报均能保持近零偏差。在物理一致性方面，OmniCast的物理一致性显著优于其他深度学习方法。在概率性指标方面，OmniCast性能略逊于ECMWF-ENS，但15天后实现反超。

在中期天气预测任务中，OmniCast在所有变量和指标上的表现与IFS-ENS相当。得益于潜在空间建模设计，OmniCast速度比所有基准模型更快，可达10~20倍。

不断突破S2S预测桎梏，精准填补中远期天气预测空白

随着技术的迭代，困扰S2S天气预报的问题正逐渐减少。未来，随着人工智能和深度学习等技术与气象领域的融合加深，势必会彻底打破「天有不测风云」的传统认知。