MarsCast 的核心想法是把地球上被大量气象数据训练过的 AI 天气基础模型通过迁移学习的方式迁移到火星大气预测任务中。这个方向不只是把模型换上火星数据重新训练而是需要在模型结构、输入输出通道、物理约束和评估方式上同步调整。本文围绕 MarsCast 这条技术主线从概念、数据、架构、代码实现、评估和排错几个角度梳理一套可落地的工程方案。在实际项目中做火星大气预测最大的困扰不是算法跟不上而是数据太少。轨道器每隔几天才能回访同一区域真正的站点点位只有几个着陆器传统的数值气候模式又要在辐射、气溶胶、CO2 相变等物理过程上消耗大量计算资源。此时地球上成熟的 AI 天气基础模型就像一个已经见过各种大气运动的“实习生”它知道风怎么吹、温度场怎么演化、波怎么传播只是还不了解火星这颗行星的特殊脾气。让这个实习生通过迁移学习快速适应火星正是 MarsCast 的核心动机。1. 为什么要把地球天气模型迁移到火星大气1.1 AI 天气基础模型解决的是什么问题传统的天气预报主要依赖数值天气预报模式把大气划分成网格再用物理方程逐步积分。这套方法精度高但计算量也高。每个变量、每个网格、每个时间步都要做大量浮点运算运行一个全球高分辨率预报需要超级计算机持续作业。AI 天气基础模型的思路完全不同。它不是一步步求解方程而是在海量再分析数据上学习“从当前状态推演未来状态”的映射关系。模型输入多个气压层的温度、风场、位势高度、湿度等变量输出若干小时后的对应变量。经过大规模训练后模型内部会隐式学会大气平流、波动传播、边界层变化等规律因此可以在很短的时间内完成一次推理。目前这类模型已经形成了若干代表性分支。有基于图神经网络的架构把全球网格当作图节点有基于 Transformer 的架构把气象场当作时空序列也有基于卷积网络和傅里叶算子的模型更接近传统网格图像处理。这些模型在不同的预报变量、分辨率、时间步长上各有取舍但它们都有一个共同特点底层特征提取器学到的是大气物理过程而不是某一个特定行星的“记忆”。这一点正是迁移学习能够成立的前提。1.2 火星大气预测为什么需要迁移学习火星大气的观测数据在地球标准下少得可怜。全球范围内可靠的同化数据只能来自少数轨道器的遥感反演比如热发射光谱仪和火星气候探测器的温度剖面、气溶胶分布等。真正的地面观测数据则来自几个火星车和着陆器覆盖范围有限时间连续性也受电源、休眠、沙尘事件影响。要在这样的数据基础上从零训练一个全球天气预报模型难度非常高。模型需要大量样本才能学习空间相关性和时间演化规律而火星数据不仅总量小还分布不均匀北半球中低纬度的覆盖相对好南半球和极地地区长期稀疏。迁移学习恰好能缓解这个矛盾。地球再分析数据的时间跨度超过 40 年覆盖全球变量丰富已经训练出了一批表达能力很强的基础模型。这些模型学到的很多模块是通用的例如温度场在水平方向上的平滑扩散风场与气压场之间的地转平衡关系中纬度气旋的生成和移动垂直方向上的稳定度和对流触发条件。这些过程在火星上同样存在虽然强度、时间尺度、边界条件不同但底层结构是可共享的。MarsCast 的本质就是把这些通用特征从地球模型复制到火星预测器再用少量火星数据做适配。1.3 MarsCast 的核心假设与整体思路MarsCast 的整体思路可以拆成四步找一个可靠的预训练基础模型把火星数据和地球数据对齐到统一的张量空间对模型做通道和层级的改造最后用火星数据微调并验证。这里需要明确一个前提假设地球大气模型学到的特征迁移到火星确实有帮助。这个假设并不总是成立。火星大气以二氧化碳为主表面气压只有地球的约 1%尘埃气溶胶对辐射过程的影响远大于水汽而且没有液态海洋作为热量缓冲。因此模型如果过度依赖水汽、海洋相互作用、植被摩擦等地球特有特征迁移效果反而会变差。所以 MarsCast 的工程重点不是“把地球模型直接用于火星”而是识别哪些层是通用物理特征、哪些层是地球专属特征然后只迁移前者、重训或替换后者。这决定了后续对模型结构的所有修改。2. 火星气候数据与地球天气数据的关键差异2.1 可用的火星观测数据源做迁移学习的第一步是把火星数据准备成模型可以消费的格式。常见的公开来源主要有以下几类。第一类是轨道器遥感数据。早期的火星全球探勘者搭载的热发射光谱仪TES提供了全球温度剖面和热辐射数据时间跨度从 1999 年到 2006 年左右。后来的火星勘测轨道飞行器搭载的火星气候探测器MCS可以提供更长时间的温度、气压、尘埃和水冰剖面。这类数据适合用来构建全球分析场但空间覆盖受轨道和日照条件影响。第二类是再分析和模拟数据。例如火星气候数据库MCD它不是纯粹的观测数据而是基于通用环流模式产生的气候平均态和典型年数据。对于模型训练来说MCD 可以用来生成模拟样本、补充稀疏区域也可以作为初始场和验证场。需要注意再分析数据本身有模式偏差不能把它当作绝对真值。第三类是地面站数据。好奇号火星车上的环境监测站REMS和毅力号火星车上的火星环境动力学分析仪MEDA可以提供局部气压、气温、风速和辐射观测。这类数据点位极少但精度高适合作为预测结果的局部验证不适合直接作为全局训练输入。在实际项目中训练数据通常是轨道器反演历史场加上气候数据库模拟场的混合。数据统一之前需要先解决重网格化、时间对齐和缺失值填充。2.2 坐标、分辨率和变量维度差异地球天气模型的输入变量通常很固定常见的有多个气压层的地表气压、温度、位势高度、水平风分量、比湿等。火星虽然有类似的大气结构但这些变量的含义需要重新检查。首先是坐标差异。地球模型使用经纬度网格常见分辨率有 0.25 度、0.5 度、1 度。火星同样有经纬度但行星半径只有地球的一半左右所以同样 0.5 度的网格在地球上大概对应 55 公里在火星上大概对应 30 公里。分辨率数值一样实际空间尺度并不同。其次是垂直坐标。地球再分析数据通常使用气压层例如 1000 hPa 到 50 hPa。火星的表面气压变化很大平均只有约 600 Pa而且地形起伏剧烈不适合直接沿用地球的固定气压层列表。火星模型更常使用地形追随坐标sigma 坐标或者以火星参考气压归一化的层定义。迁移学习时要特别注意层之间的插值方式。再次是变量集合。地球模型里的水汽相关变量在火星上需要替换成尘埃相关变量。火星大气最关键的辐射强迫成分是悬浮尘埃而不是水汽。因此 MarsCast 的典型输入变量可以是表面气压多个高度层的温度纬向风u 分量经向风v 分量尘埃光学厚度或尘埃质量混合比地表温度和反照率。输出变量则根据任务决定。如果做短期预报输出与输入对应的下一时刻变量如果做气候统计可能只输出温度和风场的统计特征。2.3 数据预处理的关键环节火星数据的预处理比地球数据更琐碎。时间单位要先统一。火星的一个太阳日sol大约是地球日的 24.6 小时火星年大约是 668 个 sol。很多气候过程的时间尺度和地球并不对应如果直接用地球模型的时间步长会引入错误。空间插值也很关键。不同数据源的网格差异很大TES 反演产品的水平分辨率通常在 5 度左右MCS 部分产品的垂直剖面较密但水平覆盖随轨道变化。训练前必须把所有变量统一到同一个经度纬度网格例如 0.5 度或者 1 度。插值方法建议先从双线性插值开始不要上来就使用高阶方法因为火星观测数据本身的噪声比地球再分析数据高很多高阶插值容易放大伪影。缺失值处理要单独设计。火星轨道器反演数据常常因为云、尘埃、地形遮挡出现缺口。最简单的做法是剔除缺失样本但会进一步减少数据量。另一个做法是使用气候数据库场或时间插值补全然后把缺失区域的误差作为权重加入损失函数。实际项目中推荐先用掩码标记缺失区域训练时忽略或降权避免模型学过拟合到插值噪声。对比项地球再分析数据火星可用数据时间覆盖数十年连续全球场有限年份的轨道器反演空间分辨率0.25 度至 1 度数度左右且分布不均垂直信息完整气压层剖面部分轨道器提供反演剖面关键成分水汽、云量、降水尘埃、CO2 相变、冰地面观测全球密集稳定仅少量着陆器点位3. 迁移学习架构设计3.1 选择基础模型与评估可迁移层迁移学习的效果很大程度上取决于预训练基础模型的结构。地球上的 AI 天气基础模型通常有两种主流结构一种是网格型模型比如卷积网络和 Transformer另一种是图网络型模型把全球网格映射成图结构。对于火星迁移网格型模型通常更容易处理。因为火星数据经过重网格化之后仍然是一张经纬度图像可以沿用预训练模型的卷积层或注意力层。图网络模型需要重新构造图和边权重火星网格边界条件和地球不同适配成本更高。选好模型结构后要判断哪些层值得迁移。一般规则是靠近输入的低层特征通常是局部的、物理通用的模式比如温度梯度、风场散度和位涡结构这些可以迁移。靠近输出的高层特征通常是任务专属的比如地球的水汽通量和降水过程这些在火星上不适用建议重新初始化。MarsCast 可以采用逐步解冻的方式判断可迁移层先冻结全部编码器只训练输出头观察损失下降情况再逐步解冻最后几层直到验证误差不再改善。这样既能保留通用特征又不会让火星数据的噪声破坏整个预训练模型。3.2 输入输出张量如何重映射预训练模型接收的张量一般是(batch, channels, levels, height, width)或(batch, time, channels, height, width)的形式。地球模型常见的通道数量为 5 到 20取决于是否包含多位势高度、湿度、降水等变量。在火星模型中输入通道需要重新设计。假设地球预训练模型输入为 5 个通道地表面气压、2 米温度、多水平面的 u 风、v 风、比湿。火星模型可以替换为表面气压、地面温度、多层温度、u 风、v 风、尘埃光学厚度。也就是把“比湿”通道换成“尘埃”通道同时新增一个“地表温度”通道。直接修改输入通道会带来一个工程问题预训练权重中第一层卷积的权重形状是(out_channels, in_channels, kernel, kernel)修改输入通道后第一层权重就不匹配了。常见做法是保留原有通道对应的权重只随机初始化新通道的权重。例如尘埃通道没有对应地球权重就单独初始化初始学习率可以设得比共享通道稍高让它快速拟合火星物理。输出通道同样需要调整。如果地球预训练模型的输出是下一个时刻的 5 个通道而火星模型只输出温度、风场和气压那么输出通道数可以缩小。此时应随机初始化最后输出层并配合较小的学习率微调。3.3 冻结层与微调层的划分策略冻结层的目标不是“尽量多冻结”而是在火星数据有限的情况下防止模型把少量样本学到过拟合。推荐从以下策略开始实验阶段操作学习率建议目的第一阶段冻结全部编码器只训练输出头1e-3 到 1e-4确认输出头能否稳定拟合火星数据第二阶段解冻靠近输出的最后 1 至 2 层1e-4 到 1e-5让高维语义特征适配火星物理第三阶段解冻全部层执行全量微调1e-5 或更低精细调整所有层避免破坏预训练特征对比组从零训练同一个模型默认训练参数判断迁移学习是否真正带来提升这里的关键点是学习率。迁移学习的常见误区是仍然使用地球预训练时的高学习率结果灾难性遗忘发生得非常快。火星数据样本少分布差异大高学习率会让模型迅速忘掉已经学好的通用特征。推荐使用分层学习率新加入的通道和输出头使用较大学习率预训练权重使用较小学习率。冻结操作在 PyTorch 里比较简单遍历模型的named_parameters()将需要冻结的参数requires_grad False并在优化器构造时不传入这些参数即可。更精细的做法是给每个参数组设置单独的learning_rate。4. 用 PyTorch 实现最小迁移学习流程4.1 环境准备本节代码只是演示 MarsCast 的迁移学习流程不依赖具体的火星数据集。为了快速跑通可以用随机生成的张量模拟地球和火星数据。建议使用 Python 3.9 以上版本配合 PyTorch 2.x。pip install torch xarray numpy matplotlib实际项目里还需要安装处理 NetCDF 数据的库例如h5netcdf、netCDF4等。学习阶段先用随机数据验证代码逻辑再替换成真实数据。4.2 模拟一个地球预训练模型为了方便演示这里定义一个简单的 U-Net 风格模型输入输出通道数均为 5模拟一个已经在地球数据上训练好的基础模型。import torch import torch.nn as nn class MiniWeatherUNet(nn.Module): def __init__(self, in_channels, out_channels, base_dim32): super().__init__() self.encoder nn.Sequential( nn.Conv2d(in_channels, base_dim, 3, stride2, padding1), nn.GELU(), nn.Conv2d(base_dim, base_dim * 2, 3, stride2, padding1), nn.GELU(), ) self.decoder nn.Sequential( nn.ConvTranspose2d(base_dim * 2, base_dim, 3, stride2, padding1, output_padding1), nn.GELU(), nn.ConvTranspose2d(base_dim, out_channels, 3, stride2, padding1, output_padding1), ) def forward(self, x): return self.decoder(self.encoder(x)) model_earth MiniWeatherUNet(in_channels5, out_channels5) torch.save(model_earth.state_dict(), earth_pretrained.pt)这段代码演示的是“地球预训练权重”的保存。真实项目中的预训练模型会更复杂可能是图神经网络或 Transformer但迁移学习的核心流程不变先保存预训练权重再在目标模型里按名字匹配并加载。4.3 构建火星模型并加载预训练权重火星模型的输入通道假设为 7 个输出通道为 4 个。通道数量不同第一层和最后一层的预训练权重不能直接使用。加载时要根据层名和形状进行过滤。model_mars MiniWeatherUNet(in_channels7, out_channels4) earth_state torch.load(earth_pretrained.pt) mars_state model_mars.state_dict() matched_keys [] for key in earth_state: if key in mars_state and earth_state[key].shape mars_state[key].shape: mars_state[key] earth_state[key] matched_keys.append(key) model_mars.load_state_dict(mars_state, strictFalse) print(matched layers:, matched_keys)这里的关键点是第一层卷积encoder.0.weight的形状是(32, 7, 3, 3)而地球预训练权重是(32, 5, 3, 3)两者形状不同所以不会匹配输出层同理会保留随机初始化。中间层的形状如果完全一致则会直接加载预训练权重。如果火星模型输入通道数仍然保持 5只是把第五通道从水汽换成尘埃那么第一层的权重形状完全相同可以直接加载但第五通道的权重含义是水汽相关特征。此时建议将对应通道权重拆分后重新初始化with torch.no_grad(): model_mars.encoder[0].weight.data[:, -1] torch.randn_like( model_mars.encoder[0].weight.data[:, -1] ) * 0.01这属于通道级迁移的细粒度调整。实际项目中需要画热力图检查第一层卷积核确认哪些通道强相关于水汽再做替换。4.4 冻结编码器并微调加载权重后先冻结编码器只训练解码器和新加入的输出层。for name, param in model_mars.named_parameters(): if name.startswith(encoder): param.requires_grad False optimizer torch.optim.Adam([ {params: [p for n, p in model_mars.named_parameters() if p.requires_grad and not n.startswith(encoder)], lr: 1e-3}, {params: [p for n, p in model_mars.named_parameters() if p.requires_grad and n.startswith(encoder)], lr: 1e-4}, ], weight_decay1e-5) loss_fn nn.MSELoss()这里需要注意优化器参数分组。冻结编码器后第二部分没有参数PyTorch 会接受空参数组但最好在后续解冻阶段再分组。上面的写法只是为了示意分层学习率的设置方式。4.5 模拟训练循环用随机张量模拟一个火星训练样本。严格来说训练样本应该是从历史观测场到未来某一时刻场的配对数据。下面只演示训练流程model_mars.train() for step in range(10): x_mars torch.randn(2, 7, 64, 128) y_mars torch.randn(2, 4, 64, 128) pred model_mars(x_mars) loss loss_fn(pred, y_mars) optimizer.zero_grad() loss.backward() optimizer.step() print(fstep {step}, loss {loss.item():.4f})如果训练循环中出现 loss 不下降的情况需要优先检查输入张量是否经过标准化、输出头是否使用合适的激活函数、以及预训练权重是否真正被加载。随机数据训练无法判断火星预报效果只能验证代码链路没有明显错误。4.6 逐步解冻并重新分组当冻结输出头的阶段结束后可以进入全量微调或分层解冻阶段。以解冻最后两层为例可以按参数名的边界重新设置requires_grad。for name, param in model_mars.named_parameters(): if name.startswith(encoder): param.requires_grad True optimizer torch.optim.Adam([...]) # 重新构造优化器重新构造优化器很关键。PyTorch 的优化器在构造时就会保存参数引用中途把requires_grad改为True后原先优化器的参数组仍可能保留之前的分组状态因此建议每次都重新构造优化器避免梯度更新混乱。5. 评估指标与结果验证5.1 数值指标MarsCast 的预测结果需要用多个指标综合评估。最基础的指标是均方根误差RMSE和平均绝对误差MAE计算公式如下import torch def rmse(pred, target): return torch.sqrt(torch.mean((pred - target) ** 2)).item() def mae(pred, target): return torch.mean(torch.abs(pred - target)).item()对于天气预测另一个常用指标是异常相关系数ACC它衡量预测异常场与实际异常场的空间相关性。ACC 越高表示模型对异常过程的捕捉能力越强。实现时需要先减去气候平均态def acc(pred_anom, target_anom): num torch.sum(pred_anom * target_anom) den torch.sqrt(torch.sum(pred_anom ** 2) * torch.sum(target_anom ** 2)) return (num / (den 1e-8)).item()在火星场景中气候平均态可以用火星气候数据库提供的多年平均场代替。但要注意如果用模拟数据作为训练集再用模拟数据算 ACC会高估模型能力。更可靠的验证方式是保留一部分时间段的轨道器观测场作为独立验证集或者用多个火星年的数据做交叉验证。5.2 物理一致性检查数值指标不能覆盖所有问题。神经网络在训练数据较少时可能产生看似误差很小但物理上完全不合理的结果。MarsCast 至少要检查以下几项温度场是否仍然保持物理层结。火星对流层温度通常随高度下降如果某个网格点出现数百开尔文量级的不合理跳跃即使整体 RMSE 很小也说明模型输出了非物理结构。风场是否出现极端发散。地转关系和梯度风关系在火星中纬度仍然近似成立。可以用垂直涡度和散度做诊断检查风场是否积累了无法解释的旋转或无辐散噪声。气压场是否保持正值。火星表面气压波动较大但如果模型预测出负气压说明输出层缺少约束或激活函数不合适。沙尘暴演化是否符合季节规律。火星尘暴在春季和夏季更频繁模型预测的尘埃场不应随机出现在所有季节。这些检查可以做成自动化脚本每个样本预测后运行一次。例如对每个网格点的温度和风速设置合理阈值超出阈值即报警用于快速定位模型发散情况。5.3 对比基线与实验设计为了验证迁移学习的价值至少要准备三组实验实验组初始权重训练数据目标从零训练随机初始化火星数据判断火星数据能否独立训练模型冻结编码器地球预训练火星数据验证通用特征是否有效全量微调地球预训练火星数据验证高层次适配是否能提升精度三组实验使用相同的数据划分、相同的训练步数、相同的损失函数和相同的评估指标。如果从零训练组的误差明显高于预训练微调组说明迁移学习确实带来了收益如果两组误差接近则说明火星数据的分布和地球差异过大或者预训练权重中包含太多地球专属特征需要调整迁移策略。6. 常见问题与排查路径6.1 迁移后模型发散输出 NaN这类问题在迁移学习中最常见。现象是训练几步后 loss 变成 NaN或者预测场出现异常大值。优先检查学习率是否过高。预训练模型已经有一组合理的特征表示如果沿用地球训练的默认学习率比如 1e-3 甚至更高很容易让权重大步幅更新导致特征崩塌。建议先将学习率降到 1e-5 到 1e-4再做全量微调。其次检查损失函数输入的归一化范围。如果火星数据没有经过标准化温度场在几百开尔文量级、气压场在几百帕量级、风速在每秒钟几十米量级量纲差异会让梯度计算不稳定。需要把所有变量做 z-score 标准化并记录均值和标准差预测后再反标准化回物理单位。最后检查是否有 NaN 样本进入训练集。轨道器数据中常见填 NaN 或 -9999 等哨兵值。数据处理阶段如果没有过滤模型会把这些无效值当作真实热力值学习最终导致梯度异常。6.2 数据量不足导致过拟合火星数据总量有限很容易出现训练集 loss 很低、验证集 loss 很高的过拟合现象。处理方式包括使用更强的正则化方法例如 Dropout、权重衰减和标签平滑。使用数据增强。球面坐标下可以沿经度方向随机平移或对时间维度做随机裁剪但不要随意旋转空间坐标因为行星旋转方向会影响风场符号。在损失函数中加入物理约束项例如温度层结惩罚或风场散度惩罚让模型在数据稀疏区域仍保持物理合理。扩大预测时间间隔。如果预测未来 6 小时过拟合严重可以尝试预测未来 12 小时或 24 小时。更长的预测窗口通常更难学习但也更平滑。6.3 通道映射错误通道映射错误往往不会导致训练失败但会让模型学得非常慢或结果物理混乱。典型场景是地球模型的第五通道是比湿火星模型把它替换成尘埃光学厚度但训练代码没有重新初始化对应卷积权重导致模型一直在用“水汽特征”解释“尘埃变化”。排查方式是打印模型第一层卷积的通道权重热力图看哪些通道的权重方差较大。如果某一通道权重和它的物理含义完全不一致就需要对该通道做随机初始化并让该通道的对应特征在新数据里重新学习。还有一种更容易被忽略的情况输出层的通道顺序没有对齐。训练数据中第 1 通道是温度、第 2 通道是气压但预测代码里第 1 通道被当作风场使用结果图表里风场和温度场整体交错导致肉眼看上去奇怪但损失函数数值上却可能正常。建议每次训练后固定一个可视化脚本把预测通道和真实通道放在同一张图里对比避免通道错位。6.4 时间尺度不匹配地球模型的时间步长通常按小时设计而火星的气候过程按 sol 和火星年设计。如果在迁移时直接使用原来的 6 小时时间步长可能会导致模型输出的演化速度与火星实际不符。处理办法是充分了解火星季节基线。训练前画出温度和气压的日变化曲线确认火星日变化振幅远大于地球同类地区。此时可以将时间序列短窗设计为 3 个或 6 个火星小时而不是固定使用地球时间窗。另一个办法是把“时间步长”也作为输入特征让模型学习到当前时刻在火星日中的相位从而区分白天、夜间和晨昏过程。问题现象常见原因检查方式处理建议训练 loss 下降后突然 NaN学习率过高或输入含 NaN检查梯度范数、输入统计降低学习率过滤无效值验证误差高训练误差低火星数据过少观察训练验证曲线加正则、物理约束、数据增强通道顺序混乱但 loss 正常训练数据通道定义不一致打印预测结果对比图统一通道映射脚本预测场合理但时间演变偏慢/偏快时间步长和火星日不匹配查看平均时间自相关调整时间窗口或显式传入时间特征7. 最佳实践与扩展方向7.1 数据与代码组织建议火星迁移学习项目很容易因为数据格式混乱而浪费大量时间。推荐从一开始就建立清晰的数据目录data/ earth/ train/ val/ mars/ raw/ # 原始轨道器反演产品 processed/ # 重网格化、标准化后的张量 climate/ # 火星气候数据库气候态 splits/ train_indices.npy val_indices.npy test_indices.npyprocessed 目录下的数据统一存为 NetCDF 或 NPZ 文件并记录每个变量的单位、坐标轴和标准化参数。训练脚本只读取 processed 数据不直接触碰 raw 数据。这样做的目的是保证所有实验使用同一份清理过的数据避免不同的实验因为预处理差异导致结果不可比较。7.2 迁移学习实验记录模板每个迁移实验都应该记录以下信息预训练模型来源和版本预训练时使用的输入变量列表火星模型的输入输出通道定义重网格化目标分辨率时间步长和窗口长度冻结层范围和解冻策略学习率、批量大小、优化器参数训练步数和验证集划分最终 RMSE、MAE、ACC 数值物理一致性检查脚本版本。这些信息可以放在一个 YAML 配置文件中每次实验自动生成运行记录。模型结构和训练参数修改后通过对比配置文件快速定位变化来源。7.3 扩展到其他行星与气候任务MarsCast 的技术路线并不只适用于火星。同样的思路可以扩展到金星、木星、土卫六等有大气观测数据的行星目标。每个行星的大气物理过程不同但迁移学习的工程框架基本一致先把不同来源数据统一到同一张量结构再判断哪些预训练特征可共享最后用目标行星数据做有限微调。更实际的一个扩展方向是地球极端气候事件预测。地球基础模型在历史再分析数据上训练对气候态平均把握较好但对极端天气事件的样本覆盖仍然有限。借用迁移学习思路可以在多个区域或多个气候情景数据集之间迁移极端事件特征例如把北美热浪的建模经验迁移到欧洲热浪场景。另一个值得尝试的方向是跨时间尺度迁移。把短中期天气预报模型迁移到季节尺度预测把逐日天气模型迁移到气候统计降尺度任务。迁移的不是最终预测结果而是中层特征表示。在工程实现上建议从最简单阶段开始用公开的 Mars 数据集跑通 6 小时预测评估基线误差再逐步引入沙尘变量、二氧化碳循环和季节特征。每加一个变量都用一个单独实验验证该变量的边际收益。MarsCast 这类项目最大的价值不是用一个复杂的模型碾压所有方法而是用迁移学习把地球上成熟的 AI 天气建模能力快速复用到数据稀缺的行星大气预测任务中并为未来的行星探索任务提供一个低成本、可迭代的预报工具。 地球AI天气模型迁移到火星大气预测的工程方案
MarsCast 的核心想法是把地球上被大量气象数据训练过的 AI 天气基础模型通过迁移学习的方式迁移到火星大气预测任务中。这个方向不只是把模型换上火星数据重新训练而是需要在模型结构、输入输出通道、物理约束和评估方式上同步调整。本文围绕 MarsCast 这条技术主线从概念、数据、架构、代码实现、评估和排错几个角度梳理一套可落地的工程方案。在实际项目中做火星大气预测最大的困扰不是算法跟不上而是数据太少。轨道器每隔几天才能回访同一区域真正的站点点位只有几个着陆器传统的数值气候模式又要在辐射、气溶胶、CO2 相变等物理过程上消耗大量计算资源。此时地球上成熟的 AI 天气基础模型就像一个已经见过各种大气运动的“实习生”它知道风怎么吹、温度场怎么演化、波怎么传播只是还不了解火星这颗行星的特殊脾气。让这个实习生通过迁移学习快速适应火星正是 MarsCast 的核心动机。1. 为什么要把地球天气模型迁移到火星大气1.1 AI 天气基础模型解决的是什么问题传统的天气预报主要依赖数值天气预报模式把大气划分成网格再用物理方程逐步积分。这套方法精度高但计算量也高。每个变量、每个网格、每个时间步都要做大量浮点运算运行一个全球高分辨率预报需要超级计算机持续作业。AI 天气基础模型的思路完全不同。它不是一步步求解方程而是在海量再分析数据上学习“从当前状态推演未来状态”的映射关系。模型输入多个气压层的温度、风场、位势高度、湿度等变量输出若干小时后的对应变量。经过大规模训练后模型内部会隐式学会大气平流、波动传播、边界层变化等规律因此可以在很短的时间内完成一次推理。目前这类模型已经形成了若干代表性分支。有基于图神经网络的架构把全球网格当作图节点有基于 Transformer 的架构把气象场当作时空序列也有基于卷积网络和傅里叶算子的模型更接近传统网格图像处理。这些模型在不同的预报变量、分辨率、时间步长上各有取舍但它们都有一个共同特点底层特征提取器学到的是大气物理过程而不是某一个特定行星的“记忆”。这一点正是迁移学习能够成立的前提。1.2 火星大气预测为什么需要迁移学习火星大气的观测数据在地球标准下少得可怜。全球范围内可靠的同化数据只能来自少数轨道器的遥感反演比如热发射光谱仪和火星气候探测器的温度剖面、气溶胶分布等。真正的地面观测数据则来自几个火星车和着陆器覆盖范围有限时间连续性也受电源、休眠、沙尘事件影响。要在这样的数据基础上从零训练一个全球天气预报模型难度非常高。模型需要大量样本才能学习空间相关性和时间演化规律而火星数据不仅总量小还分布不均匀北半球中低纬度的覆盖相对好南半球和极地地区长期稀疏。迁移学习恰好能缓解这个矛盾。地球再分析数据的时间跨度超过 40 年覆盖全球变量丰富已经训练出了一批表达能力很强的基础模型。这些模型学到的很多模块是通用的例如温度场在水平方向上的平滑扩散风场与气压场之间的地转平衡关系中纬度气旋的生成和移动垂直方向上的稳定度和对流触发条件。这些过程在火星上同样存在虽然强度、时间尺度、边界条件不同但底层结构是可共享的。MarsCast 的本质就是把这些通用特征从地球模型复制到火星预测器再用少量火星数据做适配。1.3 MarsCast 的核心假设与整体思路MarsCast 的整体思路可以拆成四步找一个可靠的预训练基础模型把火星数据和地球数据对齐到统一的张量空间对模型做通道和层级的改造最后用火星数据微调并验证。这里需要明确一个前提假设地球大气模型学到的特征迁移到火星确实有帮助。这个假设并不总是成立。火星大气以二氧化碳为主表面气压只有地球的约 1%尘埃气溶胶对辐射过程的影响远大于水汽而且没有液态海洋作为热量缓冲。因此模型如果过度依赖水汽、海洋相互作用、植被摩擦等地球特有特征迁移效果反而会变差。所以 MarsCast 的工程重点不是“把地球模型直接用于火星”而是识别哪些层是通用物理特征、哪些层是地球专属特征然后只迁移前者、重训或替换后者。这决定了后续对模型结构的所有修改。2. 火星气候数据与地球天气数据的关键差异2.1 可用的火星观测数据源做迁移学习的第一步是把火星数据准备成模型可以消费的格式。常见的公开来源主要有以下几类。第一类是轨道器遥感数据。早期的火星全球探勘者搭载的热发射光谱仪TES提供了全球温度剖面和热辐射数据时间跨度从 1999 年到 2006 年左右。后来的火星勘测轨道飞行器搭载的火星气候探测器MCS可以提供更长时间的温度、气压、尘埃和水冰剖面。这类数据适合用来构建全球分析场但空间覆盖受轨道和日照条件影响。第二类是再分析和模拟数据。例如火星气候数据库MCD它不是纯粹的观测数据而是基于通用环流模式产生的气候平均态和典型年数据。对于模型训练来说MCD 可以用来生成模拟样本、补充稀疏区域也可以作为初始场和验证场。需要注意再分析数据本身有模式偏差不能把它当作绝对真值。第三类是地面站数据。好奇号火星车上的环境监测站REMS和毅力号火星车上的火星环境动力学分析仪MEDA可以提供局部气压、气温、风速和辐射观测。这类数据点位极少但精度高适合作为预测结果的局部验证不适合直接作为全局训练输入。在实际项目中训练数据通常是轨道器反演历史场加上气候数据库模拟场的混合。数据统一之前需要先解决重网格化、时间对齐和缺失值填充。2.2 坐标、分辨率和变量维度差异地球天气模型的输入变量通常很固定常见的有多个气压层的地表气压、温度、位势高度、水平风分量、比湿等。火星虽然有类似的大气结构但这些变量的含义需要重新检查。首先是坐标差异。地球模型使用经纬度网格常见分辨率有 0.25 度、0.5 度、1 度。火星同样有经纬度但行星半径只有地球的一半左右所以同样 0.5 度的网格在地球上大概对应 55 公里在火星上大概对应 30 公里。分辨率数值一样实际空间尺度并不同。其次是垂直坐标。地球再分析数据通常使用气压层例如 1000 hPa 到 50 hPa。火星的表面气压变化很大平均只有约 600 Pa而且地形起伏剧烈不适合直接沿用地球的固定气压层列表。火星模型更常使用地形追随坐标sigma 坐标或者以火星参考气压归一化的层定义。迁移学习时要特别注意层之间的插值方式。再次是变量集合。地球模型里的水汽相关变量在火星上需要替换成尘埃相关变量。火星大气最关键的辐射强迫成分是悬浮尘埃而不是水汽。因此 MarsCast 的典型输入变量可以是表面气压多个高度层的温度纬向风u 分量经向风v 分量尘埃光学厚度或尘埃质量混合比地表温度和反照率。输出变量则根据任务决定。如果做短期预报输出与输入对应的下一时刻变量如果做气候统计可能只输出温度和风场的统计特征。2.3 数据预处理的关键环节火星数据的预处理比地球数据更琐碎。时间单位要先统一。火星的一个太阳日sol大约是地球日的 24.6 小时火星年大约是 668 个 sol。很多气候过程的时间尺度和地球并不对应如果直接用地球模型的时间步长会引入错误。空间插值也很关键。不同数据源的网格差异很大TES 反演产品的水平分辨率通常在 5 度左右MCS 部分产品的垂直剖面较密但水平覆盖随轨道变化。训练前必须把所有变量统一到同一个经度纬度网格例如 0.5 度或者 1 度。插值方法建议先从双线性插值开始不要上来就使用高阶方法因为火星观测数据本身的噪声比地球再分析数据高很多高阶插值容易放大伪影。缺失值处理要单独设计。火星轨道器反演数据常常因为云、尘埃、地形遮挡出现缺口。最简单的做法是剔除缺失样本但会进一步减少数据量。另一个做法是使用气候数据库场或时间插值补全然后把缺失区域的误差作为权重加入损失函数。实际项目中推荐先用掩码标记缺失区域训练时忽略或降权避免模型学过拟合到插值噪声。对比项地球再分析数据火星可用数据时间覆盖数十年连续全球场有限年份的轨道器反演空间分辨率0.25 度至 1 度数度左右且分布不均垂直信息完整气压层剖面部分轨道器提供反演剖面关键成分水汽、云量、降水尘埃、CO2 相变、冰地面观测全球密集稳定仅少量着陆器点位3. 迁移学习架构设计3.1 选择基础模型与评估可迁移层迁移学习的效果很大程度上取决于预训练基础模型的结构。地球上的 AI 天气基础模型通常有两种主流结构一种是网格型模型比如卷积网络和 Transformer另一种是图网络型模型把全球网格映射成图结构。对于火星迁移网格型模型通常更容易处理。因为火星数据经过重网格化之后仍然是一张经纬度图像可以沿用预训练模型的卷积层或注意力层。图网络模型需要重新构造图和边权重火星网格边界条件和地球不同适配成本更高。选好模型结构后要判断哪些层值得迁移。一般规则是靠近输入的低层特征通常是局部的、物理通用的模式比如温度梯度、风场散度和位涡结构这些可以迁移。靠近输出的高层特征通常是任务专属的比如地球的水汽通量和降水过程这些在火星上不适用建议重新初始化。MarsCast 可以采用逐步解冻的方式判断可迁移层先冻结全部编码器只训练输出头观察损失下降情况再逐步解冻最后几层直到验证误差不再改善。这样既能保留通用特征又不会让火星数据的噪声破坏整个预训练模型。3.2 输入输出张量如何重映射预训练模型接收的张量一般是(batch, channels, levels, height, width)或(batch, time, channels, height, width)的形式。地球模型常见的通道数量为 5 到 20取决于是否包含多位势高度、湿度、降水等变量。在火星模型中输入通道需要重新设计。假设地球预训练模型输入为 5 个通道地表面气压、2 米温度、多水平面的 u 风、v 风、比湿。火星模型可以替换为表面气压、地面温度、多层温度、u 风、v 风、尘埃光学厚度。也就是把“比湿”通道换成“尘埃”通道同时新增一个“地表温度”通道。直接修改输入通道会带来一个工程问题预训练权重中第一层卷积的权重形状是(out_channels, in_channels, kernel, kernel)修改输入通道后第一层权重就不匹配了。常见做法是保留原有通道对应的权重只随机初始化新通道的权重。例如尘埃通道没有对应地球权重就单独初始化初始学习率可以设得比共享通道稍高让它快速拟合火星物理。输出通道同样需要调整。如果地球预训练模型的输出是下一个时刻的 5 个通道而火星模型只输出温度、风场和气压那么输出通道数可以缩小。此时应随机初始化最后输出层并配合较小的学习率微调。3.3 冻结层与微调层的划分策略冻结层的目标不是“尽量多冻结”而是在火星数据有限的情况下防止模型把少量样本学到过拟合。推荐从以下策略开始实验阶段操作学习率建议目的第一阶段冻结全部编码器只训练输出头1e-3 到 1e-4确认输出头能否稳定拟合火星数据第二阶段解冻靠近输出的最后 1 至 2 层1e-4 到 1e-5让高维语义特征适配火星物理第三阶段解冻全部层执行全量微调1e-5 或更低精细调整所有层避免破坏预训练特征对比组从零训练同一个模型默认训练参数判断迁移学习是否真正带来提升这里的关键点是学习率。迁移学习的常见误区是仍然使用地球预训练时的高学习率结果灾难性遗忘发生得非常快。火星数据样本少分布差异大高学习率会让模型迅速忘掉已经学好的通用特征。推荐使用分层学习率新加入的通道和输出头使用较大学习率预训练权重使用较小学习率。冻结操作在 PyTorch 里比较简单遍历模型的named_parameters()将需要冻结的参数requires_grad False并在优化器构造时不传入这些参数即可。更精细的做法是给每个参数组设置单独的learning_rate。4. 用 PyTorch 实现最小迁移学习流程4.1 环境准备本节代码只是演示 MarsCast 的迁移学习流程不依赖具体的火星数据集。为了快速跑通可以用随机生成的张量模拟地球和火星数据。建议使用 Python 3.9 以上版本配合 PyTorch 2.x。pip install torch xarray numpy matplotlib实际项目里还需要安装处理 NetCDF 数据的库例如h5netcdf、netCDF4等。学习阶段先用随机数据验证代码逻辑再替换成真实数据。4.2 模拟一个地球预训练模型为了方便演示这里定义一个简单的 U-Net 风格模型输入输出通道数均为 5模拟一个已经在地球数据上训练好的基础模型。import torch import torch.nn as nn class MiniWeatherUNet(nn.Module): def __init__(self, in_channels, out_channels, base_dim32): super().__init__() self.encoder nn.Sequential( nn.Conv2d(in_channels, base_dim, 3, stride2, padding1), nn.GELU(), nn.Conv2d(base_dim, base_dim * 2, 3, stride2, padding1), nn.GELU(), ) self.decoder nn.Sequential( nn.ConvTranspose2d(base_dim * 2, base_dim, 3, stride2, padding1, output_padding1), nn.GELU(), nn.ConvTranspose2d(base_dim, out_channels, 3, stride2, padding1, output_padding1), ) def forward(self, x): return self.decoder(self.encoder(x)) model_earth MiniWeatherUNet(in_channels5, out_channels5) torch.save(model_earth.state_dict(), earth_pretrained.pt)这段代码演示的是“地球预训练权重”的保存。真实项目中的预训练模型会更复杂可能是图神经网络或 Transformer但迁移学习的核心流程不变先保存预训练权重再在目标模型里按名字匹配并加载。4.3 构建火星模型并加载预训练权重火星模型的输入通道假设为 7 个输出通道为 4 个。通道数量不同第一层和最后一层的预训练权重不能直接使用。加载时要根据层名和形状进行过滤。model_mars MiniWeatherUNet(in_channels7, out_channels4) earth_state torch.load(earth_pretrained.pt) mars_state model_mars.state_dict() matched_keys [] for key in earth_state: if key in mars_state and earth_state[key].shape mars_state[key].shape: mars_state[key] earth_state[key] matched_keys.append(key) model_mars.load_state_dict(mars_state, strictFalse) print(matched layers:, matched_keys)这里的关键点是第一层卷积encoder.0.weight的形状是(32, 7, 3, 3)而地球预训练权重是(32, 5, 3, 3)两者形状不同所以不会匹配输出层同理会保留随机初始化。中间层的形状如果完全一致则会直接加载预训练权重。如果火星模型输入通道数仍然保持 5只是把第五通道从水汽换成尘埃那么第一层的权重形状完全相同可以直接加载但第五通道的权重含义是水汽相关特征。此时建议将对应通道权重拆分后重新初始化with torch.no_grad(): model_mars.encoder[0].weight.data[:, -1] torch.randn_like( model_mars.encoder[0].weight.data[:, -1] ) * 0.01这属于通道级迁移的细粒度调整。实际项目中需要画热力图检查第一层卷积核确认哪些通道强相关于水汽再做替换。4.4 冻结编码器并微调加载权重后先冻结编码器只训练解码器和新加入的输出层。for name, param in model_mars.named_parameters(): if name.startswith(encoder): param.requires_grad False optimizer torch.optim.Adam([ {params: [p for n, p in model_mars.named_parameters() if p.requires_grad and not n.startswith(encoder)], lr: 1e-3}, {params: [p for n, p in model_mars.named_parameters() if p.requires_grad and n.startswith(encoder)], lr: 1e-4}, ], weight_decay1e-5) loss_fn nn.MSELoss()这里需要注意优化器参数分组。冻结编码器后第二部分没有参数PyTorch 会接受空参数组但最好在后续解冻阶段再分组。上面的写法只是为了示意分层学习率的设置方式。4.5 模拟训练循环用随机张量模拟一个火星训练样本。严格来说训练样本应该是从历史观测场到未来某一时刻场的配对数据。下面只演示训练流程model_mars.train() for step in range(10): x_mars torch.randn(2, 7, 64, 128) y_mars torch.randn(2, 4, 64, 128) pred model_mars(x_mars) loss loss_fn(pred, y_mars) optimizer.zero_grad() loss.backward() optimizer.step() print(fstep {step}, loss {loss.item():.4f})如果训练循环中出现 loss 不下降的情况需要优先检查输入张量是否经过标准化、输出头是否使用合适的激活函数、以及预训练权重是否真正被加载。随机数据训练无法判断火星预报效果只能验证代码链路没有明显错误。4.6 逐步解冻并重新分组当冻结输出头的阶段结束后可以进入全量微调或分层解冻阶段。以解冻最后两层为例可以按参数名的边界重新设置requires_grad。for name, param in model_mars.named_parameters(): if name.startswith(encoder): param.requires_grad True optimizer torch.optim.Adam([...]) # 重新构造优化器重新构造优化器很关键。PyTorch 的优化器在构造时就会保存参数引用中途把requires_grad改为True后原先优化器的参数组仍可能保留之前的分组状态因此建议每次都重新构造优化器避免梯度更新混乱。5. 评估指标与结果验证5.1 数值指标MarsCast 的预测结果需要用多个指标综合评估。最基础的指标是均方根误差RMSE和平均绝对误差MAE计算公式如下import torch def rmse(pred, target): return torch.sqrt(torch.mean((pred - target) ** 2)).item() def mae(pred, target): return torch.mean(torch.abs(pred - target)).item()对于天气预测另一个常用指标是异常相关系数ACC它衡量预测异常场与实际异常场的空间相关性。ACC 越高表示模型对异常过程的捕捉能力越强。实现时需要先减去气候平均态def acc(pred_anom, target_anom): num torch.sum(pred_anom * target_anom) den torch.sqrt(torch.sum(pred_anom ** 2) * torch.sum(target_anom ** 2)) return (num / (den 1e-8)).item()在火星场景中气候平均态可以用火星气候数据库提供的多年平均场代替。但要注意如果用模拟数据作为训练集再用模拟数据算 ACC会高估模型能力。更可靠的验证方式是保留一部分时间段的轨道器观测场作为独立验证集或者用多个火星年的数据做交叉验证。5.2 物理一致性检查数值指标不能覆盖所有问题。神经网络在训练数据较少时可能产生看似误差很小但物理上完全不合理的结果。MarsCast 至少要检查以下几项温度场是否仍然保持物理层结。火星对流层温度通常随高度下降如果某个网格点出现数百开尔文量级的不合理跳跃即使整体 RMSE 很小也说明模型输出了非物理结构。风场是否出现极端发散。地转关系和梯度风关系在火星中纬度仍然近似成立。可以用垂直涡度和散度做诊断检查风场是否积累了无法解释的旋转或无辐散噪声。气压场是否保持正值。火星表面气压波动较大但如果模型预测出负气压说明输出层缺少约束或激活函数不合适。沙尘暴演化是否符合季节规律。火星尘暴在春季和夏季更频繁模型预测的尘埃场不应随机出现在所有季节。这些检查可以做成自动化脚本每个样本预测后运行一次。例如对每个网格点的温度和风速设置合理阈值超出阈值即报警用于快速定位模型发散情况。5.3 对比基线与实验设计为了验证迁移学习的价值至少要准备三组实验实验组初始权重训练数据目标从零训练随机初始化火星数据判断火星数据能否独立训练模型冻结编码器地球预训练火星数据验证通用特征是否有效全量微调地球预训练火星数据验证高层次适配是否能提升精度三组实验使用相同的数据划分、相同的训练步数、相同的损失函数和相同的评估指标。如果从零训练组的误差明显高于预训练微调组说明迁移学习确实带来了收益如果两组误差接近则说明火星数据的分布和地球差异过大或者预训练权重中包含太多地球专属特征需要调整迁移策略。6. 常见问题与排查路径6.1 迁移后模型发散输出 NaN这类问题在迁移学习中最常见。现象是训练几步后 loss 变成 NaN或者预测场出现异常大值。优先检查学习率是否过高。预训练模型已经有一组合理的特征表示如果沿用地球训练的默认学习率比如 1e-3 甚至更高很容易让权重大步幅更新导致特征崩塌。建议先将学习率降到 1e-5 到 1e-4再做全量微调。其次检查损失函数输入的归一化范围。如果火星数据没有经过标准化温度场在几百开尔文量级、气压场在几百帕量级、风速在每秒钟几十米量级量纲差异会让梯度计算不稳定。需要把所有变量做 z-score 标准化并记录均值和标准差预测后再反标准化回物理单位。最后检查是否有 NaN 样本进入训练集。轨道器数据中常见填 NaN 或 -9999 等哨兵值。数据处理阶段如果没有过滤模型会把这些无效值当作真实热力值学习最终导致梯度异常。6.2 数据量不足导致过拟合火星数据总量有限很容易出现训练集 loss 很低、验证集 loss 很高的过拟合现象。处理方式包括使用更强的正则化方法例如 Dropout、权重衰减和标签平滑。使用数据增强。球面坐标下可以沿经度方向随机平移或对时间维度做随机裁剪但不要随意旋转空间坐标因为行星旋转方向会影响风场符号。在损失函数中加入物理约束项例如温度层结惩罚或风场散度惩罚让模型在数据稀疏区域仍保持物理合理。扩大预测时间间隔。如果预测未来 6 小时过拟合严重可以尝试预测未来 12 小时或 24 小时。更长的预测窗口通常更难学习但也更平滑。6.3 通道映射错误通道映射错误往往不会导致训练失败但会让模型学得非常慢或结果物理混乱。典型场景是地球模型的第五通道是比湿火星模型把它替换成尘埃光学厚度但训练代码没有重新初始化对应卷积权重导致模型一直在用“水汽特征”解释“尘埃变化”。排查方式是打印模型第一层卷积的通道权重热力图看哪些通道的权重方差较大。如果某一通道权重和它的物理含义完全不一致就需要对该通道做随机初始化并让该通道的对应特征在新数据里重新学习。还有一种更容易被忽略的情况输出层的通道顺序没有对齐。训练数据中第 1 通道是温度、第 2 通道是气压但预测代码里第 1 通道被当作风场使用结果图表里风场和温度场整体交错导致肉眼看上去奇怪但损失函数数值上却可能正常。建议每次训练后固定一个可视化脚本把预测通道和真实通道放在同一张图里对比避免通道错位。6.4 时间尺度不匹配地球模型的时间步长通常按小时设计而火星的气候过程按 sol 和火星年设计。如果在迁移时直接使用原来的 6 小时时间步长可能会导致模型输出的演化速度与火星实际不符。处理办法是充分了解火星季节基线。训练前画出温度和气压的日变化曲线确认火星日变化振幅远大于地球同类地区。此时可以将时间序列短窗设计为 3 个或 6 个火星小时而不是固定使用地球时间窗。另一个办法是把“时间步长”也作为输入特征让模型学习到当前时刻在火星日中的相位从而区分白天、夜间和晨昏过程。问题现象常见原因检查方式处理建议训练 loss 下降后突然 NaN学习率过高或输入含 NaN检查梯度范数、输入统计降低学习率过滤无效值验证误差高训练误差低火星数据过少观察训练验证曲线加正则、物理约束、数据增强通道顺序混乱但 loss 正常训练数据通道定义不一致打印预测结果对比图统一通道映射脚本预测场合理但时间演变偏慢/偏快时间步长和火星日不匹配查看平均时间自相关调整时间窗口或显式传入时间特征7. 最佳实践与扩展方向7.1 数据与代码组织建议火星迁移学习项目很容易因为数据格式混乱而浪费大量时间。推荐从一开始就建立清晰的数据目录data/ earth/ train/ val/ mars/ raw/ # 原始轨道器反演产品 processed/ # 重网格化、标准化后的张量 climate/ # 火星气候数据库气候态 splits/ train_indices.npy val_indices.npy test_indices.npyprocessed 目录下的数据统一存为 NetCDF 或 NPZ 文件并记录每个变量的单位、坐标轴和标准化参数。训练脚本只读取 processed 数据不直接触碰 raw 数据。这样做的目的是保证所有实验使用同一份清理过的数据避免不同的实验因为预处理差异导致结果不可比较。7.2 迁移学习实验记录模板每个迁移实验都应该记录以下信息预训练模型来源和版本预训练时使用的输入变量列表火星模型的输入输出通道定义重网格化目标分辨率时间步长和窗口长度冻结层范围和解冻策略学习率、批量大小、优化器参数训练步数和验证集划分最终 RMSE、MAE、ACC 数值物理一致性检查脚本版本。这些信息可以放在一个 YAML 配置文件中每次实验自动生成运行记录。模型结构和训练参数修改后通过对比配置文件快速定位变化来源。7.3 扩展到其他行星与气候任务MarsCast 的技术路线并不只适用于火星。同样的思路可以扩展到金星、木星、土卫六等有大气观测数据的行星目标。每个行星的大气物理过程不同但迁移学习的工程框架基本一致先把不同来源数据统一到同一张量结构再判断哪些预训练特征可共享最后用目标行星数据做有限微调。更实际的一个扩展方向是地球极端气候事件预测。地球基础模型在历史再分析数据上训练对气候态平均把握较好但对极端天气事件的样本覆盖仍然有限。借用迁移学习思路可以在多个区域或多个气候情景数据集之间迁移极端事件特征例如把北美热浪的建模经验迁移到欧洲热浪场景。另一个值得尝试的方向是跨时间尺度迁移。把短中期天气预报模型迁移到季节尺度预测把逐日天气模型迁移到气候统计降尺度任务。迁移的不是最终预测结果而是中层特征表示。在工程实现上建议从最简单阶段开始用公开的 Mars 数据集跑通 6 小时预测评估基线误差再逐步引入沙尘变量、二氧化碳循环和季节特征。每加一个变量都用一个单独实验验证该变量的边际收益。MarsCast 这类项目最大的价值不是用一个复杂的模型碾压所有方法而是用迁移学习把地球上成熟的 AI 天气建模能力快速复用到数据稀缺的行星大气预测任务中并为未来的行星探索任务提供一个低成本、可迭代的预报工具。