ECMWF 集合预测系统:回顾 25 年以上并展望未来 25 年
我们提出了一个实用的多模式集成天气预报系统,该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心(ECMWF)海洋模型相结合,在 4 周的前期预测全球天气,分辨率为 1 度。对于 2 米温度的预测,我们的集成模型相比于原始的 ECMWF 扩展范围集成模型,在平均性能上提高了 4-17%(根据预测提前期而定)。然而,在应用统计偏差修正之后,ECMWF 集成模型在 4 周时相比较好,优势约为 3%。对于其他地表参数,我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。
Mar, 2024
使用机器学习技术开发的 FuXi 天气预报系统,在全球 15 天天气预报方面表现与 ECMWF EM 相当,是第一个取得这一成就的 ML-based 天气预报系统。
Jun, 2023
使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量,并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测,DLWP 集合在 4-6 周的前导时间内表现良好,但在更短的前导时间内表现稍差与 ECMWF 相比。
Feb, 2021
Ensemble weather forecasting has traditionally relied on computationally expensive numerical weather prediction models, but the FuXi-ENS machine learning model provides advanced global ensemble weather forecasts with improved spatial resolution and outperforms traditional models in most cases.
May, 2024
该研究论文介绍了一个基于人工智能的先进数据驱动的全球中程天气预报系统 FengWu,该系统从多模态和多任务的角度解决介质范围的天气预报问题,可在 0.25 度经纬度分辨率下预测未来 37 个垂直层次的地面和大气状态,与现有天气预报方法相比,FengWu 性能更佳。
Apr, 2023
本研究探讨了使用集合模型来生成随机输出的训练方法,证明了通过明确鼓励模型成员产生高模型间方差预测的训练准则,能够显著提高集合模型的不确定性量化能力。
Mar, 2024