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

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

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

KARINA 是一种考虑到计算资源需求的全球天气数据的深度学习模型，通过协同使用 ConvNext、SENet 和 Geocyclic Padding 来提高 2.5 度分辨率下的天气预报准确性，大约 4 个 NVIDIA A100 GPUs 和不到 12 小时的训练时间，相较于分辨率更高的模型，其具有竞争力的性能，同时提供了地球大气层建模和资源效率方面的改进。

Mar, 2024

使用机器学习技术开发的 FuXi 天气预报系统，在全球 15 天天气预报方面表现与 ECMWF EM 相当，是第一个取得这一成就的 ML-based 天气预报系统。

Jun, 2023

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

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

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

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