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

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

我们提出了一个两阶段的概率时空预测流程：1）我们开发了 PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集 N-body MNIST 和代表降雨预测的真实世界数据集 SEVIR。实验结果显示 PreDiff 在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

Jul, 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

研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

Aug, 2023

物理风险预测的最新技术需要进行昂贵的千米级数值模拟，而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法，该模型是从台湾的区域高分辨率天气模型经 ERA5 再分析数据训练而来。通过一个两步方法（ extit {ResDiff}）， extit {ResDiff} 在块状 RMSE 和 CRPS 评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例，显示了类似于学到的物理学的适当多变量关系，包括与冷锋中的强降雨相伴的尖锐风和温度变化，以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。

Sep, 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

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

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

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