伏羲天气预报从零开始：复旦FuXi气象大模型本地化部署全流程

重要提示：本文介绍的FuXi气象预报系统为复旦大学开发的科研项目，部署使用需遵守相关许可协议。

本文仅提供技术参考，实际气象预报请以官方发布为准。

1.

认识FuXi气象预报系统

FuXi是复旦大学研发的15天全球天气预报系统，基于机器学习技术实现中期气象预测。

这个系统采用了级联式架构，能够提供从短期到长期的全球天气预报服务。

简单来说，FuXi就像是一个"气象预报AI"，它通过学习历史气象数据，能够预测未来15天的天气变化。

与传统的数值天气预报方法不同，FuXi基于机器学习，在某些场景下能够提供更快速和准确的预测。

系统核心特点：

• 支持15天全球范围天气预报
• 分级预测：短期(0-36小时)、中期(36-144小时)、长期(144-360小时)
• 基于ONNX模型格式，支持CPU和GPU运行
• 提供Web界面和命令行两种使用方式

2.

系统要求检查

在开始部署前，请确保你的系统满足以下要求：

硬件要求：

• CPU：建议多核处理器（系统已优化为4线程并行）
• 内存：建议16GB或以上
• 存储：至少10GB可用空间

软件环境：

• Linux系统（推荐Ubuntu

  18.04+或CentOS

  3.7或更高版本

• pip包管理工具

2.2

一键安装依赖

打开终端，执行以下命令安装所需依赖：

#
安装基础依赖包
选择安装ONNX运行时（根据你的硬件选择）
pip
如果只有CPU

如果你的系统有NVIDIA显卡，建议安装GPU版本以获得更好的性能。

系统会自动检测可用的硬件资源。

3.

模型下载与配置

3.1

获取模型文件

FuXi系统包含三个主要模型文件，分别对应不同时间范围的预测：

#
创建模型存储并启动服务：
#
切换到工作目录
app.py
服务启动后，你会看到类似下面的输出：
Running
local
http://0.0.0.0:7860
这表示服务已经在7860端口成功启动。
4.2
访问Web界面
打开浏览器，访问以下地址：
http://localhost:7860
如果是在远程服务器上部署，需要将localhost替换为服务器的实际IP地址。
首次访问提示：如果无法访问，请检查防火墙设置，确保7860端口是开放的。
5.
制作输入数据文件
5.1
数据格式要求
FuXi系统需要特定格式的输入数据，主要要求如下：
文件格式：NetCDF
(.nc)
格式
数据形状：(2,
70,
1440)
变量数量：70个气象变量
系统提供了示例数据文件，位置在：
/root/fuxi2/Sample_Data/sample_input.nc
你可以用这个文件来测试系统是否正常工作。
5.2
变量说明详解
输入数据包含70个气象变量，分为两大类：
大气变量（65个）：
位势高度
(Z)：13个气压层（50-1000
(R)：13个层次
地表变量（5个）：
2米温度
(T2M)
10米U风
数据预处理工具
系统提供了几个实用的数据预处理脚本：
#
处理高分辨率数据
make_gfs_input.py
这些脚本可以帮助你将原始气象数据转换成FuXi系统需要的格式。
6.
运行天气预报
6.1
Web界面操作指南
通过Web界面运行预报很简单：
选择输入文件：点击"选择文件"，找到你的.nc数据文件
设置预报步数：
短期预报步数：每步6小时（默认2步）
中期预报步数：默认2步
长期预报步数：默认2步
开始预报：点击"Run
Forecast
运行预报"按钮
查看进度：观察进度条和日志输出
新手建议：第一次使用时，先用默认设置和小步数测试，熟悉后再增加预报时长。
6.2
命令行高级用法
对于高级用户，可以通过命令行直接运行：
python
fuxi.py
/root/ai-models/ai4s/fuxi2/FuXi_EC
--input
/root/fuxi2/Sample_Data/sample_input.nc
--num_steps
20
参数说明：
--model：指定模型路径
--input：指定输入数据文件
--num_steps：设置三个阶段的预报步数
7.
理解预报结果
7.1
输出内容解析
预报完成后，系统会生成包含以下信息的输出：
时间序列：每个预报时间步的结果
统计信息：最小值、最大值、平均值等统计量
数据格式：NetCDF格式，便于后续分析
性能参考：在CPU模式下，每个预报步大约需要几分钟时间。
使用GPU可以显著提高速度。
7.2
结果可视化
FuXi系统支持结果可视化，你可以：
使用Python绘图库（如matplotlib）直接可视化NetCDF数据
将结果导入专业气象软件（如GrADS、NCL）进行进一步分析
开发自定义的可视化界面来展示预报结果
8.
性能优化建议
问题：预报速度太慢
#
解决方案：
使用GPU加速（需要安装onnxruntime-gpu）
调整批处理大小
问题：内存不足
#
解决方案：
使用单阶段预报而不是全阶段
8.2
技术问题排查
CUDA相关错误：
系统会自动回退到CPU模式
检查CUDA和cuDNN版本兼容性
确认onnxruntime-gpu正确安装
数据格式错误：
检查输入文件是否为NetCDF格式
验证数据形状是否为(2,
70,
1440)
使用提供的示例数据测试系统
9.
总结与下一步学习
通过本文的指导，你应该已经成功部署并运行了FuXi气象预报系统。
这个系统为气象预报提供了一个强大的机器学习解决方案。
学习建议：
先从示例数据开始，熟悉整个工作流程
逐步尝试自己的数据，了解数据预处理要求
探索不同参数设置，了解对预报结果的影响
结合专业气象知识，更好地理解和应用预报结果
进阶方向：
学习如何准备自定义的输入数据
探索模型调参和优化策略
开发结果可视化和分析工具
将预报结果集成到业务系统中
FuXi系统代表了机器学习在气象预报领域的前沿应用，为天气预报提供了新的技术路径。
随着技术的不断发展，这类系统将在气象服务中发挥越来越重要的作用。
/>
获取更多AI镜像
想探索更多AI镜像和应用场景？访问
CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。