机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

Sep, 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

天气模型的概率技能与延迟集合相比较，发现 GraphCast 和 Pangu 是领先的 AI 天气模型，在确定性评分方面前者优于后者，但在概率 CRPS 指标上两者得分相同。

Jan, 2024

本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

Oct, 2022

近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

Jun, 2024

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

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

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

人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

Dec, 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