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

机器学习在天气预报领域取得了显著进展，其中 FuXi 模型及其改进版 FuXi-Extreme 在预测极端天气事件方面表现出色，但面临着预报提前时间增加时预测结果变得平滑从而低估极端天气事件强度的普遍挑战。

Oct, 2023

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

超过 2 周的熟练次季节预测对社会各个领域的广泛应用至关重要。本研究介绍了基于机器学习的 FuXi-S2S 次季节预测模型，它以全球每日平均预测为特点，覆盖了 13 个压力层上的 5 个高层大气变量和 11 个地表变量，提供了高达 42 天的预测。与 ECMWF 的次季节预测相比，FuXi-S2S 模型在总降水、出射长波辐射和 500 hPa 高空位势等方面展示出优越的确定性和集合预测，对 Madden Julian Oscillation (MJO) 的预测从 30 天延长到 36 天。

Dec, 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

深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

Apr, 2024

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

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

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

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