2025年9月，第18号台风”桦加沙”登陆广东沿海，部分地区出现特大暴雨。在国防科技大学某部队的预报室里，值班人员紧盯屏幕，精准锁定了台风轨迹与暴雨影响范围，为抗洪抢险、人员转移提供了可靠的气象支撑。台风过境后，一封封感谢信纷至沓来——”极端暴雨强度和落区预报比其他同类预报产品更接近实况”。支撑这次精准预报的，正是该校气象海洋学院数值预报创新团队研发的”新一代高效高分辨率干空气质量守恒全球谱模式”。该成果于2026年初成功入选中国气象局发布的年度”中国十大气象科技进展”，并获军队科技进步一等奖。（来源：https://www.nudt.edu.cn/kxyj/kydt/2cebf07775024a1e9136bcd73936d189.htm）
从百年前的手动天气图到今天的千米级数值模拟，气候科学走过的每一步，本质上都是算力与算法的双重进化。而当我们把大气运动方程组搬进计算机时，面对的从来不只是”跑得快”的问题，而是如何在物理真实性与计算可行性之间找到那条越来越细的金线。
一、为什么传统模式会”看走眼”：从质量守恒说起
全球谱模式是当代数值天气预报的核心工具之一。它将大气运动分解为一系列球谐函数的叠加，在谱空间中求解流体力学和热力学方程组，再通过逆变换回到物理网格。这种方法天然具有全局守恒性，对于大尺度环流模拟具有独特优势。
然而，传统业务化全球谱模式长期依赖一个简化假设：大气中的干空气和水汽加在一起总量不变。这个假设在数学上简化了计算，却忽略了强对流过程中水汽相变造成的显著质量亏损。当水汽凝结成云滴、冰晶时，质量从气相转移到液相/固相，干空气本身的总质量实际上在减少。忽略这一效应，导致数值预报在台风强度、强降水过程等强对流天气中常常出现”偏弱””不准”的问题。
国防科技大学团队提出的干空气质量守恒框架，从源头上重构了大气运动控制方程。新框架将干空气质量作为独立守恒量，水汽质量强迫效应被显式引入动力核，显著提升了模式对强对流过程的刻画能力。从工程实现角度，这意味着动力求解器需要在每个时间步额外处理质量通量的非线性耦合项，计算量相比传统框架增加了约15%至20%，但预报精度的提升幅度远超这一代价。
二、分辨率每提升一倍，算力账单翻几番
气候模拟的计算瓶颈是多重并发式的。首先是网格规模与内存占用的指数级增长。一个100公里分辨率的全球模式，水平网格点约为6万个；压缩到25公里，网格点激增至288万个；再到10公里，网格点超过1800万个。每个网格单元需要存储温度、湿度、风速、气压、辐射通量等数十个变量，垂直方向又有50至100层。单时间步的内存占用轻松突破数百GB。
其次是时间步长的刚性约束。气候模式的动力核求解受CFL条件严格限制，分辨率提高一倍，时间步长通常需要减半。完成一次百年尺度的气候模拟，10公里分辨率模式的时间步总数约为100公里分辨率的100倍。每一时间步都要同步更新云微物理、辐射传输、边界层湍流、对流参数化等数十个物理过程方案。
第三个瓶颈是I/O吞吐量。高分辨率模式运行百年，原始输出数据量可达PB级别。即使只保存关键变量的月均值，输出数据量也通常在数十TB到数百TB。在数千个计算核心同时写入共享文件系统时，存储带宽不足会严重拖慢整体进度。
三、AI正在重塑气候模拟的边界
2023年以来，AI气象大模型以惊人的速度进入主流视野。华为盘古天气、谷歌DeepMind的GraphCast、上海AI实验室的风乌、中国气象局与清华大学联合发布的”风清”模型，相继展示了在分钟级时间内完成全球十天预报的能力，关键指标上已能比肩甚至超越欧洲中期天气预报中心（ECMWF）的IFS系统。
这些模型的核心思路与传统数值模式截然不同：它们不再从第一性原理出发求解偏微分方程，而是让深度神经网络直接从数十年历史再分析数据中学习大气演变的统计规律。GraphCast采用图神经网络架构，将全球网格看作图节点，边表示邻近网格点之间的大气相互作用，在8分钟内生成15天的全球集合预报。”风清”模型则首创多尺度隐空间投影机制，将大气时空交互转换为物理可解释的状态转移，并通过能量守恒损失函数约束预报结果的物理合理性。
但AI模型并非要取代传统数值模式，而是形成互补。传统模式在物理守恒性、极端事件可解释性和长期气候模拟方面仍具不可替代的优势；AI模型则在短临预报、计算效率和多变量关联捕捉上表现突出。当前最前沿的研究方向，正是两者的深度融合——用神经网络替代部分物理参数化方案，同时以物理约束保证模型的守恒性和稳定性。NVIDIA推出的PhysicsNeMo平台，以及ECMWF正在业务化部署的AIFS系统，都代表了这一趋势。
对于从事气候模拟研究的团队而言，这意味着算力需求正在从单一的CPU密集型向CPU+GPU异构计算转型。传统模式的开发调试仍需要强大的多核CPU和大内存，而AI融合方向的探索则需要同等量级的GPU算力支持。
四、气候模拟的核心软件生态
当前气候模拟领域的主流软件工具可分为几大类：
WRF（Weather Research and Forecasting）：由美国NCAR主导开发的中尺度数值模式，支持从区域到全球的多尺度模拟，是国内气象科研和业务能力建设中使用最广泛的模式之一。WRF支持MPI+OpenMP混合并行，对多核CPU的利用效率较高。
CESM（Community Earth System Model）：美国国家大气研究中心开发的地球系统模式框架，耦合了大气、海洋、陆地、海冰等多个分量模式。CESM是进行百年至千年尺度气候模拟和气候变化预估的标准工具，对内存容量和I/O带宽要求极高。
CAM（Community Atmosphere Model）：CESM的大气分量模式，也是独立的全球大气环流模式。CAM支持多种动力核心，包括谱动力核和有限体积动力核，用户可根据研究需求选择。
GRAPES：中国气象局自主研发的全球/区域同化预报系统，已在我国气象业务中实现全面应用。GRAPES只支持MPI并行模式，对高速互联网络的依赖较强。
NVIDIA PhysicsNeMo / Earth-2：面向AI气象模型训练和推理的开源平台，支持FourCastNet、GraphCast、盘古天气等多种模型的复现和扩展，需要强大的GPU算力支撑。
五、算力底座：气候模拟工作站的选型思路
气候模拟工作站的配置逻辑，取决于团队的研究重心。如果主要从事传统物理模式的开发与调试，CPU的多核并行能力和大内存容量是首要考量；如果正在探索AI-Physics融合方向，则需要CPU与GPU的双重保障。以下是基于不同需求层次的四级配置方案。
方案A：
适用场景：中小区域气候模式（10-25公里分辨率）的代码编译、参数调试和短期敏感性实验；单一圈层的离线模式运行。
推荐机型：EX660 227128-MCA
- 价格区间：9~10万
- CPU：2×Intel Xeon 金牌6530，64核，2.7GHz（全核稳定频率，Intel官方单核最高4.1GHz）
- GPU：NVIDIA RTX A400
- 内存：128GB DDR5
- 存储：4TB NVMe Gen5（读取速度约14GB/s）
- 显存带宽：96GB/s
推荐理由：双路Xeon 64核提供了充足的MPI并行规模，128GB DDR5内存可以支撑中等分辨率区域模式的开发运行。4TB高速NVMe存储足以容纳模式源码、编译环境和测试数据。对于刚接触气候模式开发、以学习代码结构和调试物理参数化为主的研究生或青年教师，这个方案是成本可控的起步选择。
方案B：
适用场景：高分辨率区域气候模式（1-10公里分辨率）的耦合运行；大气-陆面耦合模式的长期调试；多成员短期集合模拟。
推荐机型：EX660 227256-MCB
- 价格区间：13~14万
- CPU：2×Intel Xeon 金牌6530，64核，2.7GHz（全核稳定频率，Intel官方单核最高4.1GHz）
- GPU：NVIDIA Quadro T1000
- 内存：256GB DDR5
- 存储：4TB NVMe Gen5（读取速度约14GB/s）
- 显存带宽：160GB/s
推荐理由：256GB内存是支撑高分辨率区域模式或中等集合成员数的关键门槛。当网格数量从百万级提升到千万级，内存容量的边际提升直接决定了模式能否顺利运行。对于需要开展区域极端天气事件模拟的课题组，这个方案是从”能跑”到”跑得好”的转折点。
方案C：
适用场景：全球耦合模式中小规模测试；深度学习参数化方案的训练与验证；长时间序列集合模拟的本地预处理。
推荐机型：EX660 230512-MDT
- 价格区间：31~33万
- CPU：2×Intel Xeon 铂金8570，112核，3.0GHz（全核稳定频率，Intel官方单核最高4.8GHz）
- GPU：NVIDIA RTX 5090 32GB
- 内存：512GB DDR5
- 存储：8TB NVMe Gen5（读取速度约14GB/s）
- 显存带宽：1.79TB/s
推荐理由：112核Xeon铂金处理器是Intel服务器平台的旗舰配置，3.0GHz全核频率在气候模式这种混合了浮点运算和内存访问的应用中表现优异。512GB DDR5内存可以支撑全球粗-中分辨率耦合模式的完整调试。32GB显存的RTX 5090不仅加速了数据可视化，也为探索AI参数化方案提供了足够的显存空间。对于正在进行前沿算法创新、需要同时探索传统物理方案和AI融合路径的研究团队，这个方案提供了CPU和GPU的双重算力保障。
方案D：
适用场景：全球高分辨率耦合模式完整运行；多成员百年尺度集合模拟的本地调试；海量模式数据的实时分析和归档。
推荐机型：EA660 241768-MDA
- 价格区间：42~44万
- CPU：2×AMD EPYC 9755，256核，4.1GHz（全核稳定频率，AMD官方标称最高频率5.0GHz）
- 图形卡：NVIDIA Quadro T400
- 计算卡：NVIDIA A100 40GB +水冷
- 内存：768GB DDR5
- 系统盘：2TB SSD
- 数据盘：8TB NVMe Gen5 + 20TB SATA
- 显存带宽：1.56TB/s
推荐理由：256核AMD霄龙9755是目前服务器级CPU中核心数和全核频率的巅峰组合，17.5Tflops的CPU浮点性能足以支撑全球高分辨率耦合模式在本地完成中等规模测试。768GB DDR5内存是支撑全球高分辨率模式或高分辨率区域模式多成员集合的硬性门槛。A100 40GB水冷显卡提供了专业级AI训练和推理能力，对于探索GraphCast、风乌等新一代AI气象预报模型的团队，这是本地预训练和微调的基础设施。三级存储架构覆盖了系统、高速计算和长期归档的全链条需求。
六、常见问题
Q1：气候模拟为什么特别吃内存？
气候模式在每个时间步需要同时驻留整个三维网格的所有变量场。以10公里分辨率东亚区域模式为例，约1200万个水平网格点乘以50个垂直层，再乘以双精度浮点的8字节和数十个变量，单时间步的内存占用轻松突破50GB。如果运行集合模拟或多圈层耦合，内存需求还会成倍增长。
Q2：传统CPU模式和AI模型对硬件的需求有何不同？
传统数值模式以CPU密集型计算为主，依赖多核并行和大内存带宽，对GPU的需求主要是后处理和可视化。AI气象模型则完全基于GPU训练和推理，需要大显存和高带宽的GPU卡，同时对CPU的要求主要是数据预处理和任务调度。融合方向的研究团队需要两者兼顾。
Q3：个人工作站能跑全球气候模式吗？
可以跑粗分辨率（如2度网格）的全球大气模式进行学习和调试，但无法支撑高分辨率（0.25度以下）或长期积分（百年尺度）的科学计算。这类计算通常需要国家级超算中心的支持。工作站的核心价值在于缩短”开发-编译-测试-修改”的迭代周期。
Q4：为什么谱方法比格点方法更耗内存？
谱方法需要在每个时间步进行物理空间与谱空间之间的正反变换（球谐变换），涉及全局数据的重排和FFT运算，对内存带宽和全局通信的要求更高。但谱方法在守恒性和光滑性保持上具有天然优势，这也是它长期被全球模式采用的原因。
Q5：DDR5相比DDR4对气候模拟有多大提升？
DDR5的内存带宽相比DDR4提升约50%，对于气候模式这种每个时间步都需要频繁访问全局网格数据的应用，内存带宽的提升直接转化为单位时间内的积分步数增加。在双路服务器平台上，DDR5的优势会更加明显。
Q6：AI气象模型是否已经能完全替代传统数值模式？
目前还不能。AI模型在常规天气预报的精度和速度上已取得突破，但在物理守恒性、极端事件可解释性、长期气候模拟和不确定性量化等方面仍存在局限。当前最务实的路径是让两者互补：AI模型提供快速初估，传统模式保障物理一致性，融合框架则探索最优结合点。
结语
从国防科技大学团队重构干空气质量守恒方程，到GraphCast在8分钟内生成全球预报，气候模拟正在经历一场从物理驱动到物理-数据融合驱动的范式转变。无论算法如何演进，算力始终是最底层的变量。分辨率每提升一个量级，内存容量、核心数和存储带宽都要跟上一整个台阶。对于站在这一领域前沿的研究者而言，一台与科研需求匹配的工作站，不是奢侈品，而是缩短从想法到验证之间距离的刚需。
如果您有任何配置疑问欢迎加微信沟通~
微信号：maxftxwx
如果您有任何配置疑问欢迎加微信沟通~
微信号：maxftxwx
