在线模型误差校正与神经网络：应用于综合预报系统

Mar, 2024

在线模型误差校正与神经网络：应用于综合预报系统

Online model error correction with neural networks: application to the Integrated Forecasting System

Alban Farchi, Marcin Chrust, Marc Bocquet, Massimo Bonavita

TL;DR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。

Abstract

In recent years, there has been significant progress in the development of fully data-driven global numerical weather prediction models. These machine learning weather prediction models have their strength, notably accuracy and low computational requirements, but also their weakness: t

data-driven global numerical weather prediction models hybrid modelling neural network model error correction forecast errors

发现论文，激发创造

用于后处理集合天气预报的神经网络

本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

May, 2018

利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

Feb, 2024

走向一种全端到端人工智能驱动的全球天气预报系统

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

应用图神经网络预测全球天气

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

利用深度学习增强数值天气预报进行全球降水短期预测

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

用神经网络将天气预报分解为平流和对流

使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

May, 2024

使用机器学习代理模型的数据同化研究：以 FourCastNet 为例

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

OneNet: 在线集成提升概念漂移下的时间序列预测模型

在线更新时间序列预测模型，解决了概念漂移问题，提出了 OnNet 方法，动态地更新和组合两个模型，一个模型关注时间维度上的依赖性，另一个模型关注跨变量依赖性，并通过强化学习的方法实现两个模型的线性组合，动态调整权重，显著减少了在线预测误差。

Sep, 2023

大范围神经网络精细预测十二小时降水

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

混合数值建模系统中深度学习子模型的在线校准

通过引入新的建模能力，人工智能和深度学习正在重塑数字仿真框架，这些框架在模型校正和参数化方面表现出巨大潜力，并且通常优于传统物理模型。本文提出了一种高效实用的在线学习方法，名为 EGA（Euler 梯度逼近），用于混合系统，该方法通过假设对物理模型进行神经修正，并采用梯度的显式 Euler 逼近，克服了混合模型中的可微性难题，并证明在无限小时间步的极限下 EGA 收敛于精确梯度。数值实验结果显示，与离线学习相比，该方法在不同案例研究中，包括典型的海洋大气动力学中，有明显的改进，凸显了端到端在线学习对混合建模的潜力。

Nov, 2023