该研究论文通过将全球人工智能天气预报模型 FengWu 与四维变分同化算法集成，开发出一种 AI 驱动的循环天气预报系统 FengWu-4DVar，该系统可以将观测数据融入数据驱动的天气预报模型，通过考虑大气动力学的时间演化，以无需物理模型的辅助方式进行循环预测，从而获得准确的分析场，实现精确和高效的迭代预测。

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

探究了数据驱动的机器学习模型与数据同化相结合的趋势对天气预测的增强作用，通过利用 ERA5 850hPa 温度数据和改进的 U-STN12 全球天气预报模型，针对英国的气候特点进行预测，并发现将大气数据整合到 DA 中显著增强了模型的准确性，然而直接同化地表温度数据倾向于减弱这种增强效果。

Jan, 2024

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

机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

Sep, 2023

利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

Jun, 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

数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后，利用基于得分的数据同化方法将稀疏的气象站数据融合进模型，模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构，如阵风，敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明，这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据，对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性，如集合数据同化估计欠精确，但总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候，可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。

Jun, 2024

通过使用神经网络在欧洲中程天气预报中的操作性集成预测系统（IFS）中开发模型误差校正来改进天气预报的准确性，并通过在线训练进一步提高混合模型的准确性。

Mar, 2024