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

探究了数据驱动的机器学习模型与数据同化相结合的趋势对天气预测的增强作用，通过利用ERA5 850hPa温度数据和改进的U-STN12全球天气预报模型，针对英国的气候特点进行预测，并发现将大气数据整合到DA中显著增强了模型的准确性，然而直接同化地表温度数据倾向于减弱这种增强效果。

Jan, 2024

该研究介绍了FuxiDA，一种用于吸收卫星观测数据的DL-based DA框架，通过吸收来自风云-4B上的先进准同步辐射成像仪（AGRI）的数据，Fuxi-DA不断减小分析误差并显著提高预测性能。此外，通过一系列单一观测实验，验证了Fuxi-DA与已建立的大气物理模型的一致性和可靠性。

Apr, 2024

数据同化是数值天气预报系统的核心组成部分，本研究利用贝叶斯推断问题的消息传递算法来解决空间推断问题，结合GPU加速实现，可以在保持较高准确性和计算记忆需求的同时，将算法扩展到非常大的网格尺寸。

Apr, 2024

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

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

地球网络是一种多模式基础模型，通过学习从卫星观测中预测全球填补气候状态的方法，以较少的时间和成本进行全球高频率数据同化和天气预报。

Jul, 2024

本研究解决了数据驱动天气数据同化模型缺乏标准基准的问题，提出了DABench基准数据集，利用ERA5数据作为真实值，旨在推动端到端数据驱动天气预测系统的发展。研究结果表明，基于DABench的DA Transformer模型在物理状态重构方面超越了现有最先进技术，为天气预测模型的开发与评估提供了强有力的支持。

Aug, 2024