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

通过使用 2D U-Net 模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

Nov, 2023

这项研究通过进行理论和定量比较，分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法，以海洋热带气旋的风速估算任务为例，发现预测不确定性可用于提高准确性，并对不同方法的预测不确定性进行了分析。

Apr, 2024

使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

May, 2024

利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。

Sep, 2023

我们通过训练一个名为 WindSeer 的神经网络，使用合成数据和少量噪声和空间聚合的风测量数据，成功地实时预测了低空风向。该模型能够在不同分辨率和域大小上生成准确的预测结果，并能够预测历史风速数据和飞行器上测量的风速。

Jan, 2024

通过应用随机森林机器学习算法分析上升闪电的测量数据与 35 个大尺度气象变量之间的关系，这项研究评估了东阿尔卑斯山及其周边地区上升闪电的风险，发现大尺度上行速度、风速和方向以及云物理变量对上升闪电风险评估贡献最大，并预测了研究区域每平方公里的上升闪电风险。

Mar, 2024

使用卷积神经网络估计无人机遥感获取影像的水域表面高程，并进行了改进，使用线性回归进一步提高准确度，将结果与现有方法进行了比较，得出了具有竞争力的结果。

Jun, 2023

通过将机器学习与传统物理模型相结合的混合建模方法，本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型，该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型，并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。

May, 2024

使用 DeepVel 神经网络从两幅连续连续图像中估计每个像素点和每个时间步长以及大气中三个不同高度的速度估计值，并使用它来研究太阳光球中的运动现象及涡旋扩展，与局部相关追踪的方法相比，DeepVel 得出的结果类似。

Mar, 2017