随着通用图形处理器（GPGPU）计算技术的快速发展，通过大规模增加处理系统的并发度来提升性能成为计算机高性能计算的最新趋势。目前，通用图形处理器已经被应用到科学计算的诸多领域。长波辐射作为GRAPES模式中极为重要的物理过程，其巨大的计算量对整个GRAPES模式的运行效率有着重要影响。本文依托英伟达公司计算统一设备架构（NVIDIA CUDA）技术平台，以GRAPES全球模式中长波辐射传输方案为例，对其进行了大规模并发设计和优化，针对程序特点设计出的不同于MPI粗粒度并行的线程级细粒度并行方案，分别在Tesla C1060显卡和Tesla C2050显卡上作了对比试验。对比MPI粗粒度并行方案，线程级细粒度并行方案的优点主要有以下三点：a)并发度增加。b)充分利用大的显存带宽。c)计算和通信密度增加，提升效率。GPGPU的计算能力具有针对性，具有以下特点：大量的平行数据与计算，较少的逻辑分支判断等。这些计算特点与数值天气预报模式数据密集，计算量大、且高度并行的特点相吻合。因此，将GPGPU技术运用于数值天气预报模式的运行中是可行的。初步试验结果显示，在保持系统结果一致的前提下，如果只计算GPGPU的计算用时，对比单颗高端CPU，Tesla C1060GPGPU具有11倍的加速效果；Tesla C2050GPGPU具有13倍的加速效果。而如果计算数据传输和GPGPU计算总耗时的话，Tesla C1060GPGPU和Tesla C2050GPGPU的总加速分别为5.9和6.1倍。对并行结果做深入分析后发现，基于通用图形处理器的多线程并行在不超过硬件限制的条件下，线程数量越多，速度越快，增加模式的并发度与GPGPU系统的占用率有利于发挥GPGPU的性能。基于通用图形处理器的GRAPES全球模式中长波辐射并行方案有良好的加速效果，但通过分析发现CPU与GPGPU间的数据传输耗时非常大，会消耗由通用图形处理器的计算能力带来的优势，是GPGPU并行试验中的最大瓶颈。最后针对程序特点，采用异步执行方法来隐藏数据传输延迟。异步执行允许GPGPU的操作（内核启动或者异步存储器拷贝函数）从CPU端启动后，在GPU真正完成这些操作之前，在CPU端就可以得到这些函数的返回值，CPU线程就可以继续下一步操作。通过异步函数，CPU可以在GPGPU端进行运算或者数据传输的同时进行其他操作，更加有效地利用系统中的计算资源。本试验中运用多个流的异步执行方法来隐藏数据传输用时的方案取得了可观的加速效果，最后的总加速是原模式CPU方案的8.97倍，明显提升了GRAPES全球模式的执行速度和预报时效。本研究表明，使用GPGPU技术提升数值预报模式的执行速度是可行的，也是非常有潜力的。