该研究论文通过将全球人工智能天气预报模型 FengWu 与四维变分同化算法集成，开发出一种 AI 驱动的循环天气预报系统 FengWu-4DVar，该系统可以将观测数据融入数据驱动的天气预报模型，通过考虑大气动力学的时间演化，以无需物理模型的辅助方式进行循环预测，从而获得准确的分析场，实现精确和高效的迭代预测。

Dec, 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

通过精确的数据同化生成初始条件对可靠的天气预报和气候建模至关重要。我们提出了一种基于机器学习的数据同化方法 DiffDA，能够使用预测状态和稀疏观测同化大气变量。通过使用预先训练的 GraphCast 天气预报模型作为去噪扩散模型，我们的方法实现了两阶段的条件约束，并能在没有观测的情况下将预测结果后处理为未来的预测数据。实验证明，我们的方法能够产生与 0.25 度分辨率观测一致的全球大气同化数据，并且与最先进的数据同化套件生成的初始条件相比，预报模型的预测提前期最多仅损失 24 小时，从而使该方法能够应用于真实世界的实际问题，如自回归数据同化重建分析数据集。

Jan, 2024

通过深度生成模型，我们提出了 SLAMS 方法，用于使用实际数据集进行多模态数据同化，将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面，这是构建强大的计算模拟器的重要步骤。

Apr, 2024

我们介绍了一种新的数据同化策略，利用强化学习以完整或部分观测状态变量应用状态修正，重点在于演示该方法在混沌洛伦兹 '63 系统中的应用，其目标是最小化观测值和相应预测状态之间的均方根误差，结果表明开发的强化学习算法在与集合卡尔曼滤波相比时表现出色，并展示了该代理在同化非高斯数据方面的能力。

Jan, 2024

将深度学习技术整合到变分数据同化中，引入了名为 VIVID 的新型变分数据同化方案，通过利用 Voronoi-tessellation 和卷积神经网络的能力，VIVID 能够处理稀疏、非结构化和时变传感器数据，在减小数据同化所需最小化步骤的同时，与 Proper Orthogonal Decomposition (POD) 结合，进一步加快场重建的速度，通过在流体动力学系统中进行数值实验，证明了 VIVID 在超过现有数据同化和深度学习算法的性能上的显著优势，并验证了 VIVID 在不同先验误差水平、不同数量传感器的应用和数据同化误差协方差误差配置方面的鲁棒性。

Oct, 2023

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

本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

Oct, 2020

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

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

Feb, 2024