Aurora：地球系统的基础模型（Foundation Model）

Aurora 模型用于地球系统预测的实现。

论文链接。

请参阅文档以获取详细说明和更多示例。
您也可以直接查看 在 ERA5 上运行该模型的完整示例。

引用方式如下：

@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},
}

目录：

• 什么是 Aurora？
• 快速开始
• 贡献
• 许可证
• 安全
• 负责任 AI 透明度文档
• 商标
• 常见问题

如果您有兴趣将 Aurora 用于商业用途，请发送邮件至 AIWeatherClimate@microsoft.com。
如有关于研究的问题或对本代码的技术支持需求，请提交 issue 或联系论文作者。

什么是 Aurora？

Aurora 是一个机器学习模型，可用于预测大气变量，例如温度。
它是一个基础模型（foundation model），这意味着它首先在大量数据上进行通用训练，然后可以用相对较少的数据适配到特定的大气预测任务中。
我们提供了四个这样的专用版本：

• 中等分辨率天气预测
• 高分辨率天气预测
• 空气污染预测
• 海洋波浪预测

快速开始

使用 pip 安装：

pip install microsoft-aurora

或使用 conda / mamba：

mamba install microsoft-aurora -c conda-forge

在随机数据上运行预训练的小模型：

from datetime import datetime

import torch

from aurora import AuroraSmallPretrained, Batch, Metadata

model = AuroraSmallPretrained()
model.load_checkpoint()

batch = Batch(
    surf_vars={k: torch.randn(1, 2, 17, 32) for k in ("2t", "10u", "10v", "msl")},
    static_vars={k: torch.randn(17, 32) for k in ("lsm", "z", "slt")},
    atmos_vars={k: torch.randn(1, 2, 4, 17, 32) for k in ("z", "u", "v", "t", "q")},
    metadata=Metadata(
        lat=torch.linspace(90, -90, 17),
        lon=torch.linspace(0, 360, 32 + 1)[:-1],
        time=(datetime(2020, 6, 1, 12, 0),),
        atmos_levels=(100, 250, 500, 850),
    ),
)

prediction = model.forward(batch)

print(prediction.surf_vars["2t"])

注意：这将触发约 500 MB 的下载。

请阅读文档以获取更详细的说明以及可用模型的信息。

贡献

参见 CONTRIBUTING.md。

许可证

参见 LICENSE.txt。

安全

参见 SECURITY.md。

负责任 AI 透明度文档

AI 系统不仅包含技术本身，还包括使用它的人、受其影响的人以及部署环境。
要构建一个适合其预期用途的系统，需要理解该技术的工作原理、能力与局限性，以及如何实现最佳性能。
微软正在广泛推动将我们的 AI 原则付诸实践。
欲了解更多信息，请参阅 微软的负责任 AI 原则。

本代码的用途

我们发布此代码的目标是：
(1) 促进论文结果的可复现性；
(2) 支持并加速针对大气预测基础模型的进一步研究。
本代码并非为非学术用途开发或测试，因此仅应在此类用途下自行承担全部风险使用。

局限性

尽管 Aurora 经过训练可准确预测未来的天气、空气污染和海洋波浪，
但 Aurora 基于神经网络，这意味着无法严格保证预测始终准确。
修改输入、提供训练集中未包含的样本，
甚至提供训练集中包含但“运气不佳”的样本，都可能导致任意程度的预测失败。
此外，尽管 Aurora 在多种多样的数据集上进行了训练，
但它仍可能继承其中任一数据集所存在的偏差。
像 Aurora 这样的预测系统只是天气预测流程中的一环，
其输出不应被个人或企业直接用于运营规划。
在实际业务部署前，还需经过一系列额外的验证测试。

除上述内容外，此处发布的模型是内部原始模型的简化版本。
尽管我们已尽力确保一致性，但仍可能存在细微且非预期的差异，
这可能会影响预测性能。

数据

代码中包含的模型已在多种公开可用的数据上进行训练。
所有数据的描述（包括下载链接）可在论文的补充材料 C 中找到。
检查点（checkpoints）包含来自以下数据源的数据：
ERA5、CMIP6（CMCC-CM2-VHR4 和 ECMWF-IFS-HR）、HRES 预报、GFS T0、GFS 预报、
HRES T0、
HRES 分析、
HRES-WAM 分析、
CAMS 再分析和 CAMS 分析。

评估（Evaluations）

所有版本的 Aurora 都经过了全面评估，评估方式是在训练过程中未见过的数据上进行预测。
这些评估不仅比较了准确性指标（如均方根误差（root mean square error）和异常相关系数（anomaly correlation coefficient）），
还考察了模型在极端情况下的表现，例如极端高温与低温，以及罕见事件，如 2023 年的风暴 Ciarán。
这些评估是论文的主要内容。

注：本文档中的信息仅供参考，不得取代适用的许可条款。

商标（Trademarks）

本项目可能包含某些项目、产品或服务的商标或 Logo。
对 Microsoft 商标的授权使用需遵循 Microsoft 商标与品牌使用指南。
在本项目的修改版本中使用 Microsoft 商标或 Logo 时，不得引起混淆或暗示 Microsoft 的赞助关系。
任何第三方商标或 Logo 的使用均须遵守相应第三方的政策。

常见问题（FAQ）

如何为本地开发配置本仓库？

首先，以可编辑模式安装仓库并设置 pre-commit：

make install

要运行测试并打印覆盖率，请执行：

make test

然后可通过浏览器打开 htmlcov/index.html 查看覆盖率报告。

要本地构建文档，请运行：

make docs

要本地查看文档，请在浏览器中打开 docs/_build/index.html。

Aurora 快速上手指南

Aurora 是一个面向地球系统的 AI 基础模型，可用于天气、空气污染和海洋波浪等预测任务。

环境准备

• 操作系统：Linux / macOS / Windows（推荐 Linux）
• Python 版本：≥ 3.9
• 依赖库：PyTorch（≥ 2.0）、xarray、netCDF4 等（安装时会自动处理）
• 硬件建议：GPU（可选但推荐），至少 8GB 内存

💡 国内用户建议配置 PyPI 镜像源（如清华源）以加速下载：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

使用 pip 安装（推荐）：

pip install microsoft-aurora

或使用 conda / mamba：

mamba install microsoft-aurora -c conda-forge

⚠️ 首次运行模型时会自动下载约 500 MB 的预训练权重，请确保网络畅通。国内用户若下载缓慢，可尝试手动下载后放置到缓存目录（详见官方文档）。

基本使用

以下示例加载预训练的小型模型，并在随机生成的数据上进行一次前向预测：

from datetime import datetime

import torch

from aurora import AuroraSmallPretrained, Batch, Metadata

model = AuroraSmallPretrained()
model.load_checkpoint()

batch = Batch(
    surf_vars={k: torch.randn(1, 2, 17, 32) for k in ("2t", "10u", "10v", "msl")},
    static_vars={k: torch.randn(17, 32) for k in ("lsm", "z", "slt")},
    atmos_vars={k: torch.randn(1, 2, 4, 17, 32) for k in ("z", "u", "v", "t", "q")},
    metadata=Metadata(
        lat=torch.linspace(90, -90, 17),
        lon=torch.linspace(0, 360, 32 + 1)[:-1],
        time=(datetime(2020, 6, 1, 12, 0),),
        atmos_levels=(100, 250, 500, 850),
    ),
)

prediction = model.forward(batch)

print(prediction.surf_vars["2t"])

📌 更多实际数据（如 ERA5）的使用示例，请参考官方文档：https://microsoft.github.io/aurora/example_era5.html