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

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

在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

Sep, 2023

该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

Feb, 2024

本文提出基于深度学习的 Pangu-Weather 系统，用于快速而准确的全球天气预报。通过大量数据和深度神经网络，提高了预报精度，成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法，为未来深度学习天气预报系统的改进提供了新方向。

Nov, 2022

通过使用数据驱动模型中的深度学习，我们提出了一种新的变量聚合方案和高效的学习框架，以增强天气预报的性能和准确性。实验证明，VarteX 在预报性能方面优于传统模型，所需的参数和资源明显减少。通过多种聚合和区域分割训练，学习的有效性得到了证明，从而实现更高效和准确的深度学习天气预报。

Jun, 2024

使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

Apr, 2024

本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

Feb, 2020

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

本研究提出了一种基于 AI 的天气预测系统，通过将物理约束作为归纳先验嵌入到神经网络架构中，将 2D 注意力与基于列的注意力特征交互模块相结合，设计出一种名为 ArchesWeather 的转换器模型，证明了该设计改进了预测技巧。

May, 2024