通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型，我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下，也可以实现高水平的预测技巧，并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析，探索了不同的损失函数、模型尺寸和深度以及多步细调的影响，并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能，并研究了模型规模对性能的影响。

Apr, 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

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

本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

Feb, 2023

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

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

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

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

该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

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