最近，基于机器学习的多个数据驱动模型在天气预报方面取得了重要突破，与传统的数值天气预报系统相比，这些模型在准确性方面更具竞争力。该论文评估了开源且非商业使用的 Pangu-Weather 模型与多种常用数值天气预报操作分析的兼容性，并通过实例研究表明，Pangu-Weather 模型作为模型初始条件与不同数值天气预报系统的操作分析兼容且具有相对稳定的预测能力。此外，研究还验证了改善全球或本地初始条件的质量对提高 Pangu-Weather 模型的预测性能起到了显著贡献。

Aug, 2023

本研究提出了一种基于 AI 的天气预测系统，通过将物理约束作为归纳先验嵌入到神经网络架构中，将 2D 注意力与基于列的注意力特征交互模块相结合，设计出一种名为 ArchesWeather 的转换器模型，证明了该设计改进了预测技巧。

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

使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

Feb, 2022

近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

Jun, 2024

在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

Sep, 2023

FengWu-GHR 是第一个以 0.09° 水平分辨率运行的基于数据驱动全球天气预报模型，该模型通过继承来自深度学习预训练低分辨率模型的先前知识实现了高分辨率的天气预测，2022 年的天气预测回测结果表明 FengWu-GHR 优于 IFS-HRES，并且对站点观测数据和极端事件的案例研究支持了 FengWu-GHR 在高分辨率下的竞争性操作预报技能。

Jan, 2024

借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

Jan, 2024

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

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