本研究通过使用图神经网络（GNNs）和可解释性方法，研究了观测对天气预报系统中的大气状态估计的影响。我们将观测和数值天气预报（NWP）点整合到一个气象图中，提取以 NWP 点为中心的 k 跳子图。采用自监督的 GNNs 来聚合这些 k 跳半径内的数据，估计大气状态。通过基于梯度的可解释性方法，评估了来自 11 个卫星和陆地观测数据，结果突出了可视化观测类型重要性的有效性，增强了对天气预报中观测数据的理解和优化。

Mar, 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

提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。

Oct, 2023

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

本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

Jan, 2022

气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

Sep, 2023

本文介绍了一种基于神经网络的天气预测模型，可以在大范围内预测未来十二小时的降水，并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好，进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。

Nov, 2021

本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

Jun, 2023

通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。

Oct, 2023

利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

Mar, 2020