全球天气预报系统中关键的数据同化模型 Adas 与 AI 天气预报模型 FengWu 的组合系统 FengWu-Adas 表现出高水平的预报技能，在七天的天气预报中超过了集成预报系统 (IFS)。

Dec, 2023

该研究介绍了 FuxiDA，一种用于吸收卫星观测数据的 DL-based DA 框架，通过吸收来自风云 - 4B 上的先进准同步辐射成像仪（AGRI）的数据，Fuxi-DA 不断减小分析误差并显著提高预测性能。此外，通过一系列单一观测实验，验证了 Fuxi-DA 与已建立的大气物理模型的一致性和可靠性。

Apr, 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

该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

Feb, 2024

通过使用数据驱动模型中的深度学习，我们提出了一种新的变量聚合方案和高效的学习框架，以增强天气预报的性能和准确性。实验证明，VarteX 在预报性能方面优于传统模型，所需的参数和资源明显减少。通过多种聚合和区域分割训练，学习的有效性得到了证明，从而实现更高效和准确的深度学习天气预报。

Jun, 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

提出了一种物理 - 人工智能（AI）混合模型（即 WeatherGFT），将天气预报推广到超出训练数据集的更细时间尺度，并通过引入一个提前时间感知的训练框架来促进模型在不同提前时间上的推广，实验证明 WeatherGFT 在多个提前时间上达到了最先进的性能，并展现了 30 分钟预测的泛化能力。

May, 2024

应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

Feb, 2024

通过精确的数据同化生成初始条件对可靠的天气预报和气候建模至关重要。我们提出了一种基于机器学习的数据同化方法 DiffDA，能够使用预测状态和稀疏观测同化大气变量。通过使用预先训练的 GraphCast 天气预报模型作为去噪扩散模型，我们的方法实现了两阶段的条件约束，并能在没有观测的情况下将预测结果后处理为未来的预测数据。实验证明，我们的方法能够产生与 0.25 度分辨率观测一致的全球大气同化数据，并且与最先进的数据同化套件生成的初始条件相比，预报模型的预测提前期最多仅损失 24 小时，从而使该方法能够应用于真实世界的实际问题，如自回归数据同化重建分析数据集。

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