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

本研究提出了一种自回归生成扩散模型（DiffObs），用于预测全球日降水的演变，该模型基于卫星观测产品进行训练，并通过领域特定的诊断进行评估。该模型被训练用于概率性地预测一天前的降水。尽管存在次要问题和偏见，结果证实了在实际的亚季节和气候预测应用中，通过对日益稀疏，直接和差异化的观测进行训练的全球扩散模型的潜力。

Apr, 2024

使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的ERA5数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

May, 2024

本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是SR3和ResDiff架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用WeatherBench数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的SR3方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

Jun, 2024

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

地球网络是一种多模式基础模型，通过学习从卫星观测中预测全球填补气候状态的方法，以较少的时间和成本进行全球高频率数据同化和天气预报。

Jul, 2024

通过引入一个通用的实时数据同化框架，我们在强大的性能计算系统Frontier上展示了框架的杰出可扩展性，以及超级计算机在天气和气候预测中的重要性。尽管该框架仅在基准面积准地转动(SQG)湍流系统上进行了测试，但它有潜力与现有的基于人工智能的基础模型结合，适用于未来的实际实施。

Jul, 2024

本研究针对现有天气预测方法在准确性、不确定性和计算效率之间的矛盾提出了CoDiCast模型。该模型通过条件扩散过程，结合来自过去的观测数据，生成高精度的天气预报，并在保持合理计算成本的同时实现不确定性量化。实验结果表明，CoDiCast在准确性方面超过了多种现有数据驱动的方法，对天气预测领域具有重要影响。

Sep, 2024

本研究解决了现有地球系统模型在分析极端天气事件时的计算限制问题。提出了一种利用扩散模型将模型输出从月度精度降至日度精度的创新方法，能够在计算资源较少的情况下高效模拟气候条件。研究表明，DiffESM模型在捕捉极端现象的时空特征方面与地球系统模型输出高度一致，具有重要的应用潜力。

Sep, 2024

本研究解决了现有预测模型在数据同化中的不足，提出了一种新颖的自回归采样方法和一个新的条件评分模型训练策略，以提升预测性能和稳定性。通过实验证明，这些改进对于同时处理预测和数据同化这一在现实场景中常见的任务至关重要。

Oct, 2024