AI气象基础模型迁移到火星：从迁移学习到工程落地的技术路线

各位关注 AI 工程化落地的读者，大家好。

今天想和大家聊一个非常有画面感的 AI 课题：如何把地球上的“AI 气象基础模型”搬到火星上去用。没错，就是那颗红色的、沙尘暴可以席卷全球的星球。这个方向听起来很科幻，但实际上是大气科学和深度学习交叉领域里一个正在快速升温的研究课题。

传统的行星大气数值模式（如 Mars Climate Database, GCM）虽然物理机制清晰，但计算量巨大，而且对某些小尺度过程（如局地沙尘暴、水冰云演化）的建模精度有限。另一方面，过去几年地球气象领域涌现出了大量 AI 基础模型，例如 FourCastNet、GraphCast、PanguWeather、GenCast 等，它们的预报速度比传统数值模式快几个数量级，精度也相当有竞争力。那么问题来了：这些在地球海量再分析数据上训练出来的模型，能不能迁移到火星上，帮助科学家更好地预测火星天气？

本文将围绕 "MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres" 这个主题，拆解一条可行的技术路线：从数据获取、模型选择、迁移策略、代码实现、评价指标到工程落地风险。无论你是研究大气科学的同学，还是做 CV/NLP 迁移学习想找新场景的工程师，这篇文章都会给你一些可以落地的启发。

1. 背景：为什么要把 AI 气象模型送上火星

1.1 火星大气预测的“痛点”

说到天气预测，大家第一时间想到的是地球上的台风、暴雨、寒潮预报。火星虽然有大气，但它的天气现象和地球截然不同：

• 成分差异：火星大气 95% 是二氧化碳，地球大气主要是氮气和氧气。
• 压强差异：火星地表平均气压只有约 600 Pa（6 毫巴），不到地球表面气压的 1%。
• 极端温差：赤道地区白天可达 300K，夜间可骤降到 180K 左右。
• 全球性沙尘暴：火星经常爆发持续数周的全球性沙尘暴，对太阳能供电的火星车是致命的。

传统上，科学家用大气环流模式（GCM，General Circulation Model）模拟火星气候。GCM 的物理过程刻画很细致，但运行一次长时间模拟需要巨大的超级计算资源，而且参数化方案（如沙尘抬升、辐射传输中的云物理）在火星环境下存在大量不确定性。

1.2 AI 气象基础模型的地球“战绩”

从 2022 年开始，深度学习气象预报进入了一个新阶段。以 DeepMind 的 GraphCast 为例，这个 GNN 模型使用 ERA5 再分析数据训练，能够在 1 分钟内完成 10 天的全球天气预报，在超过 90% 的验证指标上优于传统数值模式。华为云的 PanguWeather 同样基于 Transformer，在中长期预报上表现惊艳。

这些模型有一个共同特点：它们是基础模型（Foundation Models），在极大规模的数据上预训练，学习到了大气演化的通用表征。这种通用的表征，是否包含对“其他行星”也适用的物理规律？

从流体力学基本方程来看，火星和地球大气都遵循纳维-斯托克斯方程、热力学方程和辐射传输方程。虽然边界条件和参数不同，但物理规律的底层结构是相似的。这就为迁移学习提供了理论可能性。

1.3 两个关键问题

所以 MarsCast 这类研究，本质上要回答两个问题：

1. 模型的可迁移性：地球气象基础模型的特征提取器，有多少可以复用到火星上？
2. 迁移效率：直接微调（fine-tune）还是需要更复杂的领域自适应？

这两个问题，也正是本文接下来要逐一拆解的核心。

2. 核心概念：基础模型与迁移学习

2.1 什么是 AI 基础模型

“基础模型”这个词在 NLP 里先火起来，典型代表是 GPT、BERT。它的核心思想是：先用超大规模数据做自监督预训练，得到一个能够编码通用知识的大模型；然后针对特定下游任务，只需要少量标注数据做微调即可。

气象领域的 FourCastNet 是基于 Adaptive Fourier Neural Operator（AFNO）的模型，输入是多个大气变量的全球网格场，通过傅里叶层在频域中学习大气动力过程。GraphCast 则使用编码-过程-解码的 GNN 架构，在地球球面上构造多尺度网格图。

对于 MarsCast 来说，我们的“下游任务”就是火星大气预报，输入是火星再分析/仿真数据，输出是一段时间后的温度、气压、风速场。

2.2 迁移学习的核心思路

迁移学习解决的是“源领域和目标领域分布不一致”的问题。地球气象数据是源域，火星数据是目标域。两个域的物理变量名相同（温度、位势高度、风速），但数值范围、空间相关长度、时间尺度完全不同。

具体到深度模型迁移，常用的手段包括：

• 冻结骨干，替换 Head：把预训练模型的输入层和输出层换成适配火星数据的维度，冻结大部分骨干参数，只训练新 Head。
• 全量微调：用火星数据以较小学习率更新全部参数，风险是数据量不够时会过拟合。
• 渐进式解冻：先固定底层，只训练高层；训练几个 epoch 后，逐步解冻更多底层，让模型从“学习火星表面特性”逐渐过渡到“调整基础物理表征”。
• 领域自适应：加入对抗训练或域判别器，让模型在编码地球和火星特征时尽量对齐。

2.3 为什么不能直接用地球模型预测火星

这里有一个容易踩的误区。很多人会想：“既然模型学的是物理规律，那把火星输入直接喂给 GraphCast 行不行？”

不行，原因有三点：

1. 输入通道不匹配：地球模型的输入包括海表温度、海平面气压等变量，火星上没有海洋，这些通道不存在。
2. 数值分布极端不同：地球气压是 1013 hPa，火星是 6 hPa。模型的归一化参数（均值、方差）是基于地球分布算的，直接输入火星数据在标准化之后会变成非常奇怪的分布。
3. 网格分辨率与地图投影不同：地球模型通常在等经纬网格或六边形网格上训练，火星的地形起伏更大，需要重新适配网格。

所以迁移学习不是“免费午餐”，需要系统性地设计迁移方案。

3. MarsCast 整体技术路线设计

下面我给出一个可以落地到代码的 MarsCast 方案设计。假设我们以一个公开的 Vision-Transformer 风格气象基础模型为骨干，来构建火星预报模型。

3.1 总体架构

整个系统分成四部分：

1. 数据层：火星观测/再分析网格数据预处理，生成标准化后的张量。
2. 骨干模型：加载地球气象基础模型的预训练权重，替换输入/输出投影层。
3. 迁移训练器：支持冻结、部分解冻、微调三种模式。
4. 评估模块：计算 RMSE、Anomaly Correlation Coefficient（ACC）、CRPS 等指标。

火星数据 -> 网格重映射 -> 变量对齐 -> 标准化 -> 张量化 -> 预训练骨干编码器（部分冻结） -> 火星 Head 解码器 -> 预报场 -> 反标准化 -> 物理一致性校验 -> 可视化与指标

3.2 数据获取：火星上的“再分析数据”

对于深度学习训练，我们需要的是网格化的、时间连续的“真值”数据。火星上没有像地球这么密集的观测网，所以科学家常用两类数据：

• 数值模式输出：例如 Mars Climate Database（MCD），基于 GCM 模拟产生，可以生成任意时间段的三维大气状态。
• 卫星遥感反演数据：例如 NASA 的 Mars Reconnaissance Orbiter（MRO）上搭载的 MARCI 相机数据，MAVEN 卫星的 NGIMS 数据，以及 Insight 着陆器的局地气象数据。

实际工程中，主流做法是：

1. 用 MCD 生成一个接近真实的大气状态数据库。
2. 用卫星数据对 MCD 输出做数据同化（assimilation），得到“再分析”产品。
3. 把再分析产品重映射到统一网格（例如 5.625° 或 2.8125° 的等经纬网格，对应地球模型的常见分辨率）。

3.3 模型选择：选哪个骨干

这里需要谨慎选择预训练模型。选择标准如下：

• 变量字段匹配度：是否包含气温、纬向风、经向风、位势、气压等常规变量。
• 网格结构：是否支持等经纬网格。
• 代码开源程度：是否方便加载 checkpoint 并替换 Head。
• 训练资源：基础模型规模多大，是否超出你的 GPU 显存。

以 FourCastNet 为例，它基于 AFNO 层，输入是 720x1440 的 20 通道气象变量。如果用 5.625° 网格，分辨率就降到 32x64，此时可以在单张 A100 上完成 micro-finetune。GraphCast 则更复杂，因为它的消息传递机制是在特定的多尺度图上定义的，如果要迁移到火星，需要重建图结构，工程量稍大。

实际建议是：优先选择结构简单、输入输出为规则网格的模型，如 FourCastNet 或 PanguWeather，它们在迁移时改动成本低。

3.4 迁移策略设计

对于火星数据量少、分辨率较低的特点，我推荐“渐进式解冻 + 低学习率微调”策略：

• 第 1 阶段：冻结主干，只训练输入/输出投影层，约 5 个 epoch。
• 第 2 阶段：解冻最后 1/3 的 Transformer 层，继续训练 10 个 epoch。
• 第 3 阶段：全量微调，使用很小的学习率（原学习率的 0.1 倍），训练少量 epoch。

这样设计的原因：

• 预训练模型的低层已经学到了通用的空间特征提取能力（如边缘、连续结构），不需要重学。
• 火星和地球大气的统计分布差异巨大，高层语义特征需要重新适配。
• 全量微调如果太早，既浪费预训练知识，又容易在少量火星数据上过拟合。

4. 数据预处理实战

4.1 从 MCD 提取火星大气数据

Mars Climate Database 提供 NetCDF 格式的输出，包括温度、压力、纬向风、经向风、尘埃混合比等。我们可以用 xarray 读取。

import xarray as xr # 假设你已经下载了 MCD 输出的 NetCDF 文件 ds = xr.open_dataset("mcd_output.nc") print(ds.variables) # 通常包含: temp, pressure, u_component, v_component, dust, longitude, latitude, level, time

这里注意，MCD 输出的垂直层坐标通常为 “local_terrain_following” 或 “pressure” 类型，需要先统一。

4.2 网格重映射

地球气象基础模型通常使用规则经纬网格，而 MCD 的原始输出可能是高斯网格或地形追踪坐标。我们需要用 xesmf 做重映射。

import xesmf as xe import xarray as xr # 定义目标网格：5.625° 等经纬网格 target_grid = xr.Dataset( { "lat": (("lat",), [i * 5.625 - 90 for i in range(33)]), "lon": (("lon",), [i * 5.625 for i in range(64)]), } ) ds_mars = ds.rename({"latitude": "lat", "longitude": "lon"}) regridder = xe.Regridder(ds_mars, target_grid, "bilinear") ds_regrid = regridder(ds_mars)

重映射之后，务必画图检查：火星表面温度场应该呈现出昼夜变化和地形相关特征，而不是有明显的网格锯齿。

4.3 变量对齐与标准化

地球模型的输入变量和火星观测的物理量需要做映射。通常按以下对应关系：

地球基础模型变量	火星替代变量	备注
2m temperature	surface temperature	火星地表气温
mean sea-level pressure	surface pressure	只有地表气压，无海平面气压
u-wind / v-wind	u-wind / v-wind	同一变量
geopotential height	geopotential height	根据 MCD 计算或直接输出
total precipitation	dust mixing ratio	用沙尘作为替代的“水汽”变量

标准化的时候，不能用地球预训练模型的统计量。需要重新计算火星数据每个通道的 mean 和 std。

import numpy as np # arr 形状: (channels, height, width) mean = np.mean(train_data, axis=(0, 2, 3), keepdims=True) std = np.std(train_data, axis=(0, 2, 3), keepdims=True) # 保存标准化参数，推理阶段必须使用相同的参数 np.savez("mars_norm_stats.npz", mean=mean, std=std)

这里有一个容易忽略的细节：火星上的“海平面气压”这个通道不存在，如果你直接删除这个通道，会破坏预训练模型的通道结构。更优雅的方案是：保留位置编码对应的通道索引，把“mean sea-level pressure”换成 surface pressure，并把经纬度、太阳辐射、地形高度作为额外静态通道输入，保证通道数量一致。

4.4 时间序列与自动回归训练

气象预报和 NLP 类似，通常采用 teacher forcing 的方式训练：输入过去 N 个时刻的状态，预测未来 M 个时刻的状态。火星数据的可用时间长度较短，因此建议采用滚动预测目标（rolling forecast target）构造样本。

def make_forecast_samples(ds, input_len=12, output_len=12): """ 输入: ds - 重映射和标准化之后的数据 输出: (input_seq, target_seq) 对 """ samples = [] for t in range(len(ds.time) - input_len - output_len): input_seq = ds.isel(time=slice(t, t + input_len)) target_seq = ds.isel(time=slice(t + input_len, t + input_len + output_len)) samples.append((input_seq, target_seq)) return samples

注意，火星的昼夜周期大约是 24.6 小时，和地球非常接近，但季节长度是地球的两倍。因此构造样本时，要保证时间步长“物理含义”一致。假设模型在地球上是 6 小时一个时刻，那么火星上最好也按 6 小时采样，而不是按“地球日”采样。

5. 核心代码示例：PyTorch 迁移学习框架

下面给出一个基于 PyTorch 的迁移学习完整示例。这里以 AFNO 风格的 ViT 骨干为例，重点展示如何加载预训练权重并进行渐进式解冻。

5.1 项目结构

marscast/ ├── config.py ├── data.py ├── model.py ├── train.py ├── evaluate.py └── norm_stats.npz

5.2 模型定义与权重加载

# model.py import torch import torch.nn as nn class MarsCastModel(nn.Module): """ 气象基础模型迁移骨干： 1. 加载地球模型的预训练权重 2. 替换输入 embedding 和输出 head 3. 支持冻结/解冻控制 """ def __init__(self, base_model, in_channels, out_channels, grid_size=(32, 64)): super().__init__() self.backbone = base_model # 如果原始 embedding 输入通道数不一致，则替换 if base_model.patch_embed.proj.in_channels != in_channels: self.backbone.patch_embed.proj = nn.Conv2d( in_channels, self.backbone.embed_dim, kernel_size=self.backbone.patch_embed.proj.kernel_size, stride=self.backbone.patch_embed.proj.stride, padding=self.backbone.patch_embed.proj.padding, ) # 重新初始化新卷积层 nn.init.xavier_uniform_(self.backbone.patch_embed.proj.weight) # 替换输出 head self.head = nn.Linear(self.backbone.embed_dim, out_channels * grid_size[0] * grid_size[1]) def forward(self, x, timesteps=None): # x: (B, T, C, H, W) B, T, C, H, W = x.shape x = x.reshape(B * T, C, H, W) features = self.backbone(x) # (B*T, embed_dim) features = features.reshape(B, T, -1) # 这里可以做 temporal fusion，示例中直接取最后一帧 out = self.head(features[:, -1, :]) out = out.reshape(B, -1, H, W) return out def freeze_backbone(self): for param in self.backbone.parameters(): param.requires_grad = False def unfreeze_last_layers(self, num_layers=1): """解冻最后 num_layers 个 Transformer block""" for layer in self.backbone.blocks[-num_layers:]: for param in layer.parameters(): param.requires_grad = True

调用方式：

import torch from timm import create_model # 以某 AFNO/ViT 风格模型为例，实际使用请替换成你加载的 checkpoint base_model = create_model("vit_base_patch8_224", pretrained=False, img_size=64) # 加载地球模型权重 checkpoint = torch.load("earth_weather_model_weights.pth") base_model.load_state_dict(checkpoint["model"], strict=False) model = MarsCastModel( base_model=base_model, in_channels=12, out_channels=6, grid_size=(32, 64), )

5.3 渐进式解冻训练

# train.py（核心片段） import torch import torch.nn.functional as F from torch.utils.data import DataLoader def train_marscast(model, train_loader, epochs_per_stage, lr=1e-4, device="cuda"): model.to(device) # Stage 1: 只训练 head 和 embedding model.freeze_backbone() model.head.requires_grad_(True) model.backbone.patch_embed.proj.requires_grad_(True) optimizer = torch.optim.AdamW( [p for p in model.parameters() if p.requires_grad], lr=lr, weight_decay=1e-4, ) for epoch in range(epochs_per_stage[0]): for x, y in train_loader: x = x.to(device) # (B, T, C, H, W) y = y.to(device) # (B, C_out, H, W) pred = model(x) loss = F.mse_loss(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() print(f"[Stage 1] Epoch {epoch+1}: loss={loss.item():.6f}") # Stage 2: 解冻最后 2 个 block model.unfreeze_last_layers(num_layers=2) optimizer = torch.optim.AdamW( [p for p in model.parameters() if p.requires_grad], lr=lr * 0.3, ) for epoch in range(epochs_per_stage[1]): for x, y in train_loader: x = x.to(device) y = y.to(device) pred = model(x) loss = F.mse_loss(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() print(f"[Stage 2] Epoch {epoch+1}: loss={loss.item():.6f}") # Stage 3: 全量微调 for param in model.parameters(): param.requires_grad_(True) optimizer = torch.optim.AdamW(model.parameters(), lr=lr * 0.05) for epoch in range(epochs_per_stage[2]): for x, y in train_loader: x = x.to(device) y = y.to(device) pred = model(x) loss = F.mse_loss(pred, y) + 0.1 * physical_consistency_loss(pred) optimizer.zero_grad() loss.backward() optimizer.step() print(f"[Stage 3] Epoch {epoch+1}: loss={loss.item():.6f}") return model

5.4 物理一致性损失

这是给火星气象模型加“物理约束”的一个小技巧。火星大气温度垂直递减率不应无限大，风速也不应出现离谱的异常值。可以在损失函数中加一个简单的惩罚项。

def physical_consistency_loss(pred): # 假设通道顺序: [temp, pressure, u, v, dust, water_ice] temp = pred[:, 0, :, :] u = pred[:, 2, :, :] v = pred[:, 3, :, :] # 风速不能大于 200 m/s（火星实测极值约 30 m/s，但模式里可能出现极端值） wind_speed = torch.sqrt(u ** 2 + v ** 2) penalty = F.relu(wind_speed - 200.0).mean() # 温度不能低于 100K 也不宜高于 400K（偏离真实范围则惩罚） temp_penalty = F.relu(400.0 - temp).mean() + F.relu(temp - 100.0).mean() return penalty + 0.5 * temp_penalty

这个约束的作用是防止模型在地球预训练权重的“惯性”下输出地球尺度的大气压（例如 1000 hPa），而不是火星的 6 hPa。

6. 实验设计与评价指标

6.1 为什么要做消融实验

迁移学习最容易犯的错误是“全量微调后，模型还不如只训练 Head”。我们需要设计几组消融实验来回答：

• A 组：随机初始化骨干 + 火星数据训练（无迁移基线）。
• B 组：冻结骨干 + 只训练 Head。
• C 组：渐进式解冻（本文推荐方案）。
• D 组：全量微调。
• E 组：领域自适应（加入域判别器）。

通过对比这五组实验，你可以清楚评估地球气象基础模型到底贡献了多少知识。

6.2 评价指标

在气象 AI 领域，常用的评价指标有：

1. RMSE（均方根误差）

$$ RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2} $$

它直接衡量预报值和真值的平均误差量级。

2. ACC（Anomaly Correlation Coefficient）

$$ ACC = \frac{\sum_{i} (a_i - \bar{a})(b_i - \bar{b})}{\sqrt{\sum_i (a_i - \bar{a})^2 \sum_i (b_i - \bar{b})^2}} $$

ACC 衡量预报异常（相对气候态的偏离）与真实异常的空间相关程度，数值越高说明空间分布越接近真实。

3. CRPS（连续排名概率分数）

如果是集合预报，CRPS 可以衡量概率预报的锐度与可靠性。

在 MarsCast 场景下，建议重点看RMSE、ACC、风速分布直方图。其中风速分布直方图常常被忽视，但对于沙尘预报非常关键——如果模型预测的风速分布和 MCD 统计分布差异过大，说明迁移后的模型在能量级串上是不物理的。

# evaluate.py（核心片段） import numpy as np from scipy.stats import pearsonr def compute_metric(pred, target, climatology): # pred, target: (N, C, H, W) rmse = np.sqrt(np.mean((pred - target) ** 2, axis=(0, 2, 3))) # 异常系数 pred_anom = pred - climatology target_anom = target - climatology acc = { c: pearsonr( pred_anom[:, c].flatten(), target_anom[:, c].flatten(), )[0] for c in range(pred.shape[1]) } return rmse, acc

6.3 频率域诊断

迁移学习后，很大概率模型会出现“光谱偏差”：预测场看起来合理，但小尺度细节（高频能量）明显偏少或过多。建议对预测场做二维 FFT，画出能量谱。

import numpy as np def plot_energy_spectrum(field, title): """ 计算并绘制二维空间能量谱 """ f = np.fft.fft2(field) fshift = np.fft.fftshift(f) magnitude = np.abs(fshift) ** 2 # 按径向频率取平均 rows, cols = magnitude.shape crow, ccol = rows // 2, cols // 2 max_radius = min(crow, ccol) radial_profile = [] for r in range(max_radius): y, x = np.ogrid[:rows, :cols] mask = (np.sqrt((x - ccol) ** 2 + (y - crow) ** 2) >= r) & \ (np.sqrt((x - ccol) ** 2 + (y - crow) ** 2) < r + 1) radial_profile.append(magnitude[mask].mean()) return np.array(radial_profile)

如果迁移模型的能量谱在高频段衰减过快，可以试试：

• 提高训练数据分辨率。
• 在损失函数中加入谱损失（spectral loss）。
• 减少下采样（pooling）操作。

7. 常见问题与排查思路

在 MarsCast 的工程实现中，下面这些坑可能会反复出现，建议收藏备用。

问题现象	常见原因	解决思路
训练 Loss 下降极快，但验证 RMSE 反而升高	预训练模型输出分布与火星分布差异大，模型“忘掉”了物理知识，快速过拟合	增大冻结阶段 epoch，减小学习率，加入物理一致性损失
预测的气压接近地球气压（1000 hPa）	模型把地球的大气统计分布迁移过来了	检查标准化参数是否用火星数据重新计算；在输出层使用 Sigmoid/Softplus 限制输出范围
预测场高频细节模糊	火星训练数据分辨率不足或网格重映射丢失了小尺度信息	用更高分辨率的 MCD 输出；训练时加入高频增强损失
加载预训练权重时 Missing keys	输入/输出维度不一致，部分权重无法复用	使用 strict=False 加载，打印 missing/unexpected keys，确认是哪些层
训练数据量太少，过拟合严重	火星再分析数据时间跨度短	使用数据增强（随机裁剪、翻转）、降低模型容量、增加正则化
微调后模型对初始权重敏感	随机初始化 Head 导致梯度不稳定	对 Head 使用 Xavier 初始化；先冻结骨干训练 Head 数轮
GPU 显存不足	输入序列太长或 batch 太大	减小 T（如从 12 降到 6）、减小 batch、使用梯度累积

7.1 如何排查“预训练权重被破坏”

一个很有用的调试方法是“回看特征分布”。在微调前后分别提取某个输入场的中间特征，用 PCA 降维后可视化。如果微调后特征分布和地球数据的特征分布完全脱离，说明模型可能发生了领域崩溃（negative transfer）。

def extract_features(model, loader, device): features = [] model.eval() with torch.no_grad(): for x, _ in loader: x = x.to(device) # 假设模型有一个 get_features 方法 feat = model.backbone(x[:, -1]) # 取最后一帧 features.append(feat.cpu().numpy()) return np.concatenate(features, axis=0)

一旦发现负迁移，退回到更保守的策略：多冻结几层，或者改用 adapter 结构，在骨干旁边并行挂一个小型适配器，而不是直接改骨干权重。

8. 工程实践与科研建议

8.1 数据版控与追踪

火星数据不像地球数据那么容易再次下载。MCD 版本更新、卫星数据校准方案调整都会导致数据分布变化。建议：

• 使用 DVC 管理数据集版本。
• 在训练日志中记录 MCD 版本号、重映射算法、标准化统计量。
• 推理阶段输出 metadata，方便同行复核。

8.2 实验记录

迁移学习的超参组合非常多。建议用 MLflow 或 wandb 记录：冻结层数、学习率、损失函数中物理惩罚权重、训练数据时间范围等。不要只记录 Loss——还要记录每个评价指标随 epoch 的变化曲线。

8.3 计算资源配置

如果使用 32x64 网格，单张 24GB 显存的 GPU 足够训练。但如果想尝试高分辨率（例如 720x1440），需要模型并行或使用 AI 云平台的多卡训练。

训练时间预估：

• 冻结阶段：非常快，大约一小时级别。
• 渐进解冻阶段：中等，几小时到十几小时。
• 全量微调阶段：因模型规模而异，如果是 AFNO 骨干且数据量不大，通常可控。

8.4 科学解释性

AI 气象模型的“黑盒”问题在行星科学中更敏感。未来的研究报告或者论文评审时，审稿人大概率会质疑：

• 你的模型是否有真实的物理机制支撑？
• 预测结果是否是“插值”了训练集里的气候态？

建议做两类分析：

1. 敏感性分析：对输入场添加微小扰动，观察预测输出是否合理响应（例如增强太阳辐射输入，温度场应该升高）。
2. 与 GCM 对比：找几个典型的火星天气事件（大沙尘暴、水冰云），让模型和 MCD 各做一次预报，看看长期演化是否一致。

8.5 关于不确定性

火星观测数据稀少，模型输出的置信区间比预测均值更重要。一个务实的做法是在模型 head 后接一个 MC-Dropout 或直接使用集成模型，输出多个候选预报场，计算集合平均和集合离散度。

def ensemble_forecast(model, x, n_members=8): model.train() # 开启 dropout 进行蒙特卡洛采样 preds = [] with torch.no_grad(): for _ in range(n_members): pred = model(x) preds.append(pred.cpu().numpy()) preds = np.stack(preds) mean_pred = preds.mean(axis=0) std_pred = preds.std(axis=0) return mean_pred, std_pred

这样输出的“不确定场”对行星科学家非常宝贵——他们可以决定在哪个区域布置下一次探测器的观测重点。

9. 总结与学习路线

今年 AI 基础模型的跨领域迁移是一个很值得关注的方向。MarsCast 这样的课题，表面上是“给火星做天气预报”，本质上是在验证大模型学到的物理表征是否具有跨环境泛化能力。如果可行，这套技术还有潜力迁移到系外行星、甚至未来月球基地的局地天气预测中。

这篇文章从概念、数据、模型、代码到评估，给出了一条可以立即上手的 MarsCast 最小可行路线。核心要点可以浓缩成三句话：

• 用一个在等经纬网格上训练的地球气象基础模型，通过渐进式解冻微调，可以显著降低火星大气预报的冷启动成本。
• 火星数据的分布差异比想象中大，必须重新做标准化、通道映射和物理约束，不能“拿来主义”。
• 迁移学习基线对比和谱分析是必需的验证步骤，不要只盯着 RMSE。

下一步建议，如果你对行星大气或 AI for Science 感兴趣，可以从这几件事开始：

• 跑通一个地球气象基础模型的开源代码，例如 FourCastNet，观察它的输入输出结构。
• 下载 MCD 数据，用 xarray 做一次网格重映射，生成火星数据样本。
• 尝试用本文的渐进式解冻代码，先做一个低分辨率消融实验。

如果你在复现 MarsCast 过程中遇到玄学问题，欢迎在评论区把报错日志和数据情况发出来，我们可以一起排查。动手跑一轮，你就能发现迁移学习的真正乐趣——用地球的模型，去解开另一颗星球的天气密码。