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

通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

Jun, 2020

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

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

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

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

该论文描述了一个基于机器学习方法的预测系统，该系统利用历史气象测量值和动态模型预测，通过裁剪无关预测器和加权最近邻特征引入加权局部线性回归，显著提高了长期预测准确性。该系统在 Subseasonal Climate Forecast Rodeo 竞赛中表现优异，可帮助提高亚季节性气象预测的水平。

Sep, 2018

为了提高灾害应对能力，降低经济风险并在气候变化下改善政策制定，对亚季节尺度的气候准确预测至关重要。然而，由于系统的混沌性质，亚季节尺度的预测仍然具有挑战性。为此，我们提出了一种基于物理模型的大规模混沌准则，ChaosBench，用于亚季节尺度的预测。该准则包括了超过 460K 个真实观测和模拟数据帧，每个帧含有 60 个变量通道，时间跨度长达 45 年。我们还提出了一些基于物理模型的度量方法，除了视觉方法，进一步提高了模型的物理一致性。此外，我们还将 4 个国家气象机构的物理模型预测作为基线与我们的数据驱动模型进行对比。我们建立了两个不同复杂度的任务：完整动力学预测和稀疏动力学预测。我们的评估结果表明，在现有模型上进行大规模评估，包括 PanguWeather，FourCastNetV2，GraphCast 和 ClimaX，发现原本用于天气尺度应用的方法在亚季节尺度任务上失效。我们在该 URL 上发布了我们的准则代码和数据集。

Feb, 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

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