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

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

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

提出了一种利用图神经网络的NWP偏差校正方法WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均RMSE提高了40.50%。

Oct, 2023

该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题，发现该方法能够模拟区域气候模型的某些气候特征，但在不同全球气候模型间存在一定偏差，限制了其在建立区域气候预测集合方面的适用性。

Nov, 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

使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

May, 2024

本研究针对卫星图像与气象数据整合的区域气候变化预测模型中，难以理解气象变量与土地表面演变的复杂关系这一问题，提出了一种新的可解释性管道。该管道结合了扰动基础和全局边际可解释性技术，简化了对复杂时空深度模型的多样性分析。研究发现降水对土地表面的影响最为显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。

Aug, 2024

本研究解决了区域天气预报中精度不足的问题，提出了一种基于图神经网络的数据驱动模型，采用拉伸网格架构以在感兴趣区域提供更高解析度。研究结果表明，该模型在挪威的短期天气预测中优于现有预报系统，展现了良好的预测能力，尽管仍有低估极端天气事件的不足。

Sep, 2024