WeatherBench 2 是由 Rasp et al. (2020) 提出的全球中程（1-14 天）天气预测基准的更新版本，旨在加速数据驱动的天气模型的进展。本文描述了评估框架的设计原则，并呈现了当前最先进的物理模型和数据驱动的天气模型的结果。评估指标基于在领先的操作性天气中心评估天气预报的已建立实践，我们定义一组引人注目的分数以提供模型性能的概览。此外，我们还讨论了当前评估设置的注意事项以及数据驱动天气预测未来面临的挑战。

Aug, 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

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

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

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

通过引入一个通用的实时数据同化框架，我们在强大的性能计算系统Frontier上展示了框架的杰出可扩展性，以及超级计算机在天气和气候预测中的重要性。尽管该框架仅在基准面积准地转动(SQG)湍流系统上进行了测试，但它有潜力与现有的基于人工智能的基础模型结合，适用于未来的实际实施。

Jul, 2024