利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

Jun, 2023

基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

Dec, 2023

利用新型生成式深度学习方法，在气候模拟数据集上训练出来的模型能够更快、更高效地生成大型集合数据，以提高气候模拟中的不确定性估计的效率。

Jul, 2024

本研究使用一组群体模型和机器学习模型来预测 COVID-19 疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整 Gompertz、Logistic、Richards 和 Bertalanffy 等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。

Jul, 2022

研究了深度学习在气候下缩放和预测中的应用，并提出使用深度集合作为一种简单的方法，以提高气候变化预测模型的不确定性量化能力，以解决严重天气事件对社会和经济产生的负面影响。

Apr, 2023

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

使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用 FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的 ERA5 数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

May, 2024

该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Apr, 2023

使用生成对抗网络生成高分辨率降水的合成降水集，而无需高分辨率训练数据，该集与欧洲中期天气预报中心集基本相同。

Apr, 2023