MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres

📄 arXiv: 2608.05054v1 📥 PDF

作者: M. L. Carroll, J. Li, S. D. Guzewich, G. Villanueva, J. A. Caraballo-Vega, M. J. Frost

分类: astro-ph.EP, cs.AI, cs.CV, cs.LG

发布日期: 2026-08-05

💡 一句话要点

提出MarsCast以解决地球天气模型在火星大气预测中的适用性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 火星气候 天气预测 图神经网络 迁移学习 AI模型

📋 核心要点

  1. 现有的天气预测模型在非地球环境中应用的有效性尚未得到充分验证，特别是在火星等行星大气的预测上存在挑战。
  2. 论文提出通过微调GraphCast模型，结合火星气候数据库的变量和太阳辐射强迫，来提升火星天气预测的准确性。
  3. 实验结果显示，经过微调的GraphCast模型在10个训练周期内能够有效捕捉火星的昼夜变化，并在预测质量上显著提升。

📝 摘要（中文）

本研究探讨了将地球天气基础模型迁移至行星大气的可行性，通过将GraphCast图神经网络天气预测模型适配于火星。尽管GraphCast在地球天气预测中表现出色，但其在非地球环境中的适用性尚未得到验证。利用火星气候数据库（MCD），我们评估了GraphCast在火星温度和风场的零-shot和微调预测。零-shot预测虽然能准确描绘当前条件，但未能再现昼夜变化。通过微调GraphCast，模型能够快速学习火星的热变率，开始捕捉昼夜循环，并在10天内预测出季节性和垂直温度结构。这些结果表明，经过地球训练的AI天气模型可以适应火星大气动态，为快速行星天气预测提供了路径。

🔬 方法详解

问题定义：本研究旨在解决现有地球天气模型在火星大气预测中的适用性问题，尤其是如何有效捕捉火星的气候特征和变化。现有方法在非地球环境中的表现不足，无法准确模拟火星的昼夜变化和气候动态。

核心思路：论文的核心思路是通过微调GraphCast模型，使其能够适应火星的气候特征。通过引入火星气候数据库（MCD）中的变量和太阳辐射强迫，模型能够更快速地学习火星的热变率，从而提高预测的准确性。

技术框架：整体架构包括数据预处理、模型微调和预测评估三个主要模块。首先，利用MCD数据进行预处理，然后对GraphCast模型进行微调，最后评估模型的预测性能，包括零-shot和微调后的结果。

关键创新：最重要的技术创新在于将GraphCast模型成功适配于火星环境，并通过微调实现了对火星昼夜变化的有效捕捉。这一方法与传统的地球模型直接应用于火星的方式有本质区别。

关键设计：在微调过程中，保持湿度恒定，并引入顶层大气的太阳辐射强迫。模型在训练时的参数设置和损失函数设计经过优化，以确保在较少的训练周期内实现较高的预测精度。通过调整训练样本的大小，模型的预测质量得到了显著提升。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，经过微调的GraphCast模型在10个训练周期内能够有效捕捉火星的昼夜变化，预测质量显著提升。与零-shot预测相比，微调后的模型在季节性和垂直温度结构的预测上表现更为优异，展示了地球训练模型在火星环境中的适用性。

🎯 应用场景

该研究的潜在应用领域包括行星探测任务中的天气预测、尘暴风险评估以及未来人类探索火星的支持。通过提供准确的火星天气预测，能够有效提升任务的安全性和成功率，为科学研究和人类活动提供重要数据支持。

📄 摘要（原文）

We investigate the transferability of Earth weather foundation models to planetary atmospheres by adapting the GraphCast graph neural weather forecasting model to Mars. While GraphCast achieves state-of-the-art performance for terrestrial forecasting, its applicability to non-Earth environments remains unexplored. Using the Mars Climate Database (MCD), which provides global atmospheric fields across vertical altitude levels (similar to Earth pressure levels), we evaluate zero-shot and fine-tuned GraphCast predictions of Martian temperature and wind fields. Zero-shot forecasts produce a surprisingly accurate depiction of current conditions but fail to reproduce diurnal variability and rapidly decay toward climatological mean states. To address this limitation, we fine-tune GraphCast using MCD variables and top-of-atmosphere solar radiation forcing while holding humidity constant. Fine-tuning enables rapid learning of Martian thermal variability. Within as few as 10 training epochs, the model begins to capture the diurnal cycle and forecasts up to 10 days reproduce seasonal and vertical temperature structure. Prediction quality improves with training sample size and exhibits sensitivity to seasonal initialization. These results demonstrate that Earth-trained AI weather models can be adapted to simulate Martian atmospheric dynamics, providing a pathway toward rapid planetary weather prediction to support mission operations, dust storm risk mitigation, and future human exploration.