气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

Sep, 2023

机器学习在高分辨率天气预报方面已成为一种强大的工具，而准确捕捉这一混沌天气系统中的不确定性要求概率建模。我们提出了一种名为 Graph-EFM 的概率天气预报模型，结合灵活的潜变量形式与成功的基于图的预测框架。使用分层图构建使得能够高效地采样到空间一致的预测。Graph-EFM 每个时间步仅需要单次前向传递，可快速生成任意规模的集合。我们在全球和有限区域预测上对该模型进行了实验。来自 Graph-EFM 的集合预测在误差方面与可比较的确定性模型相当或更低，并且还能准确捕捉到预测不确定性。

Jun, 2024

本文介绍了一种基于神经网络的天气预测模型，可以在大范围内预测未来十二小时的降水，并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好，进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。

Nov, 2021

使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

Mar, 2020

本文提出基于深度学习的 Pangu-Weather 系统，用于快速而准确的全球天气预报。通过大量数据和深度神经网络，提高了预报精度，成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法，为未来深度学习天气预报系统的改进提供了新方向。

Nov, 2022

该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

Feb, 2024

提出了一种物理 - 人工智能（AI）混合模型（即 WeatherGFT），将天气预报推广到超出训练数据集的更细时间尺度，并通过引入一个提前时间感知的训练框架来促进模型在不同提前时间上的推广，实验证明 WeatherGFT 在多个提前时间上达到了最先进的性能，并展现了 30 分钟预测的泛化能力。

May, 2024

本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

Jan, 2022

本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

Feb, 2020

通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

Jun, 2022