FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本研究将AI天气预报模型FengWu与四维变分同化耦合，开发出循环预报系统FengWu-4DVar，无需物理模型和传统伴随模型，就能融合观测数据生成准确分析场，实现高效迭代预报。
2024-05-19 cs.AI cs.LG physics.ao-ph
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China（计算机学院，湘潭大学，湘潭，411105，中国）
提出一种结合图神经网络与自监督预训练的自适应时空图框架，通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI cs.LG
M$^2$Weather: A Benchmark for Joint Multi-Station and Multi-Variable Weather Forecasting
Hunan University（湖南大学）；China Meteorological Administration（中国气象局）
针对现有研究分离处理站点间空间依赖与变量间物理耦合的问题，本文提出M$^2$Weather基准，涵盖多尺度站点数据与统一协议，并设计即插即用适配器，验证了联合建模及补全缺失关系可提升预报精度。
2026-10-02 cs.LG stat.ML
Improving Medium Range Severe Weather Prediction through Transformer Post-processing of AI Weather Forecasts
Department of Atmospheric and Climate Science University of Washington（大气科学与气候系华盛顿大学）；US NSF National Center for Atmospheric Research（美国NSF大气研究中心）
本研究利用Transformer后处理提升AI天气预报的中等范围严重天气预测能力，通过改进模型结构和训练方法，提高预测准确性和可靠性。
2025-09-21 cs.AI cs.LG physics.ao-ph
Signature Kernel Scoring Rule: A Spatio-Temporal Diagnostic for Probabilistic Weather Forecasting
Department of Statistics, University of Warwick（沃里克大学统计系）
本文提出签名核评分规则，用于概率天气预测，通过迭代积分将天气变量视为连续路径，以编码时空依赖性，并在WeatherBench 2上验证其高判别力和路径依赖交互捕捉能力。
2026-04-30 cs.LG stat.AP stat.ML
Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks
Maastricht University（马斯特里赫特大学）
由于数据驱动模型取得的进展，应用于天气预报的深度学习开始受到欢迎。本文比较了两种不同的深度学习架构，对从欧洲18个城市收集的15年内的每日数据进行天气预测。我们提出了深度注意单流多流（DAUM）网络，它研究了不同类型的输入表示（即张量单流与多流）以及注意力机制的结合。特别是，我们表明，在模型中添加自我注意块提高了整体预测性能。此外，可视化技术，如遮挡分析和得分最大化，用于提供对最重要的功能和城市的额外见解，用于预测目标城市的特定目标功能。
2021-02-10 cs.LG stat.ML
UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
UniExtreme是一种通用极端天气预报基础模型，通过自适应频率调制和事件先验增强模块，提升对多样化极端天气事件的预测能力。
2025-09-04 cs.AI cs.LG
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
针对数据驱动天气预报模型受数据集时间尺度限制无法做细粒度预报的问题，提出物理-AI混合模型WeatherGFT，结合PDE核物理模拟与带可学习路由的并行神经网络校正，搭配时效感知训练框架，实现了跨更细时间尺度的预报泛化。
2025-01-13 cs.AI cs.LG
FuXi Weather: A data-to-forecast machine learning system for global weather
本文提出FuXi Weather系统，通过多卫星数据融合实现高分辨率全球天气预测，优于ECMWF HRES，在观测稀疏区域表现更优。
2024-11-18 cs.LG physics.ao-ph
CNCast: Leveraging 3D Swin Transformer and DiT for Enhanced Regional Weather Forecasting
ColorfulClouds Technology Co.,Ltd（彩云科技有限公司）
本文提出CNCast区域预报模型，基于SwinTransformer 3D与DiT，融合NWP增强边界条件并生成约5公里分辨率逐小时降水，1小时至5天预报总体优于Pangu。
2025-03-16 cs.AI cs.LG
Spatio-temporal Stacked LSTM for Temperature Prediction in Weather Forecasting
KU Leuven（鲁汶大学）
长短期记忆（LSTM）是一种广泛应用于序列学习和时间序列预测的方法。在本文中，我们将堆叠LSTM模型部署在天气预报的应用中。我们提出了一个2层时空堆叠LSTM模型，它由第一层LSTM层中每个位置的独立LSTM模型组成。随后，基于第一层LSTM模型的隐藏状态的组合来形成第二层LSTM层的输入。实验表明，通过利用空间信息，堆叠LSTM模型的预测性能在大多数情况下都有所提高。
2018-11-15 cs.LG stat.ML
FuXi: A cascade machine learning forecasting system for 15-day global weather forecast
Fudan University（复旦大学）；Shanghai Qi Zhi Institute（上海期智研究院）
本文提出FuXi，一个基于39年ECMWF ERA5再分析数据集的级联机器学习天气预报系统，提供15天全球预报，并在15天预报性能上首次实现与ECMWF集合平均相当的水平。
2023-10-20 cs.AI cs.LG physics.ao-ph
VeinCast: Physics-Guided Dynamic Field Graphs with Graph-Conditioned Fusion for Global Medium-Range Weather Forecasting
Nanyang Technological University（南洋理工大学）；Tsinghua University（清华大学）；Peking University（北京大学）；Tongji University（同济大学）
本文提出VeinCast框架，通过物理引导动态场图与图条件融合，在1.5° ERA5基准上，于14天提前期的69个气象场预报任务中取得与主流模型相当的竞争力，证实关系级物理引导的有效性。
2026-08-11 cs.AI cs.LG
Towards an end-to-end artificial intelligence driven global weather forecasting system
Fudan University（复旦大学）；Shanghai AI Laboratory（上海人工智能实验室）；Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出基于人工智能的数据同化模型Adas，并结合FengWu构建端到端全球天气预报系统，实现高精度长期天气预报。
2025-12-04 cs.AI cs.LG physics.ao-ph
Scaling transformer neural networks for skillful and reliable medium-range weather forecasting
UCLA（加利福尼亚大学洛杉矶分校）；CMU（卡内基梅隆大学）；Argonne National Laboratory（阿贡国家实验室）；Penn State University（宾夕法尼亚州立大学）
本文提出简单Transformer模型Stormer，通过天气特定嵌入、随机化动力学预测和压力加权损失，在WeatherBench 2上以极少训练数据和计算量实现领先的中期天气预报性能，并展现出良好的扩展特性。
2024-10-22 cs.AI cs.LG physics.ao-ph
Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics
University of Passau（帕绍大学）
本文提出双阶段光伏预测方法，通过分离天气预测与植物特性建模，提升预测精度并优化误差分布分析。
2026-03-04 cs.LG
Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research Asia（微软亚洲研究院）；Zhejiang University（浙江大学）；Squirrel Ai Learning；DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团）
针对传统数值天气预报计算密集且物理不完整、深度学习模型忽视物理定律的问题，提出物理引导框架PhyDL-NWP，集成物理方程与潜在力参数化，实现连续函数建模的降尺度与预报，以55K参数达170倍加速，提升性能与物理一致性。
2025-05-23 cs.AI cs.LG
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere
Shanghai AI Laboratory（上海人工智能实验室）；Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出FengWu-W2S模型，在FengWu基础上引入海-陆-气耦合与扰动策略，实现最长42天的无缝次季节预报，并提升了对气温、降水及MJO、NAO等信号的预测能力。
2024-11-20 cs.AI cs.LG physics.ao-ph
SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
University of Amsterdam（阿姆斯特丹大学）；Linköping University（林雪平大学）
针对现有机器学习天气预报模型在短时间步长下误差累积和缺乏时间连续性的问题，提出基于神经随机微分方程的SDECast框架，实现连续时间概率预报，并在模拟流和全球小时级预报中验证了其有效性。
2026-10-05 cs.LG physics.ao-ph stat.ML
Weather Prediction with Diffusion Guided by Realistic Forecast Processes
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）
提出一种基于扩散模型的天气预报方法，能在统一框架下实现直接与迭代预报，并支持在采样时灵活整合NWP预测，提升了DL预报的可靠性与长期稳定性。
2024-02-06 cs.AI cs.LG physics.ao-ph
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting
Shanghai AI Laboratory（上海人工智能实验室）；Hong Kong University of Science and Technology（香港科技大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；National Meteorological Information Center of CMA（中国气象局国家气象信息中心）；National Meteorological Center of CMA（中国气象局国家气象中心）
针对现有数据驱动天气预报模型分辨率受限的问题，本研究提出FengWu-GHR模型，通过继承低分辨率预训练模型先验知识实现0.09°公里级全球中期预报，性能优于IFS-HRES，具备高分辨率业务预报潜力。
2024-01-28 cs.AI cs.LG physics.ao-ph
Ensemble methods for neural network-based weather forecasts
Stockholm University（斯德哥尔摩大学）；Uppsala University（乌普萨拉大学）
集合天气预报通过计算集合的散布，使得能够将不确定性的度量附加到每个预报。然而，生成一个具有良好的传播误差关系的集合远非微不足道，并且已经探索了实现这一目标的各种方法-主要是在数值天气预报模型的背景下。在这里，我们的目标是将一个确定性的神经网络天气预报系统集成预报系统。我们测试了四种方法来生成集成：随机初始扰动，神经网络的再训练，在网络中使用随机辍学，并创建初始扰动与奇异向量分解。后一种方法被广泛用于数值天气预报模式，但尚未在神经网络上进行测试。从这四种方法获得的集合平均预测都击败了未扰动的神经网络预测，再训练方法产生最高的改善。然而，神经网络预报的技巧系统地低于最先进的数值天气预报模式。
2021-01-04 cs.LG physics.ao-ph
EWMoE: An effective model for global weather forecasting with mixture-of-experts
University of Electronic Science and Technology of China（电子科技大学）；Sichuan Artificial Intelligence Research Institute（四川人工智能研究院）；Institute of Plateau Meteorology, China Meteorological Administration（中国气象局高原气象研究所）
提出EWMoE全球天气预报模型，结合3D绝对位置嵌入、混合专家层与特定损失函数，在仅需两年ERA5数据下超越FourCastNet和ClimaX，并媲美Pangu-Weather等SOTA模型，显著提升精度与资源效率。
2024-08-23 cs.AI cs.LG physics.ao-ph
IndiaWeatherBench: A Dataset and Benchmark for Data-Driven Regional Weather Forecasting over India
cs.ucla.edu（加州大学洛杉矶分校计算机科学系）
针对区域天气预报研究缺乏统一基准、难以公平比较的问题，本文推出聚焦印度的IndiaWeatherBench基准，含整理数据集与多类评估指标，实现多架构模型基线，支持扩展至其他区域并全开源。
2025-08-31 cs.AI cs.LG physics.ao-ph
GenCast: Diffusion-based ensemble forecasting for medium-range weather
Google DeepMind（谷歌DeepMind）
GenCast是一种基于扩散的机器学习天气预报模型，通过数十年再分析数据训练，以8分钟生成15天全球集合预报，在97.4%的评估目标上超越ECMWF的ENS，尤其在极端天气、热带气旋和风电预测方面表现更优。
2024-05-01 cs.LG physics.ao-ph
A framework for probabilistic weather forecast post-processing across models and lead times using machine learning
College of Engineering, Mathematics and Physical Sciences, University of Exeter（埃克塞特大学工程、数学与物理科学学院）；Met Office（英国气象局）；School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院）
天气预报是一项越来越需要大量数据的工作。数值天气预报（NWP）模式正变得越来越复杂，分辨率越来越高，并且有越来越多的不同模式在运行。虽然数值预报模式的预报技巧不断提高，但这些模式的数量和复杂性对业务气象学家提出了新的挑战：如何将所有可用模型的信息结合起来，每个模型都有自己独特的偏差和局限性，以便为利益相关者提供校准良好的概率预报，用于决策？在本文中，我们使用一个路面温度的例子来展示一个三阶段的框架，使用机器学习来弥合NWP模型的独立预测集和“理想”预测决策支持之间的差距：未来天气结果的概率。首先，我们使用分位数回归森林来学习每个数值模型的误差分布，并使用这些来应用数学推导的概率分布进行预测。其次，我们结合这些概率预测使用分位数平均。第三，我们插值之间的聚合分位数，以产生一个完整的预测分布，我们证明了适合决策支持的属性。我们的研究结果表明，这种方法提供了一个有效的和操作上可行的框架，跨多个模型和前置时间的天气预报的凝聚后处理，以产生一个良好的校准概率输出。
2020-06-25 cs.LG stat.AP stat.ML
Weather Maps as Tokens: Transformers for Renewable Energy Forecasting
IFAB Foundation（IFAB基金会）
针对现有可再生能源预测方法难以融合天气时空特征的问题，提出将天气图编码为Transformer令牌的预测方法，相比ENTSO-E运营预测大幅降低风、光预测RMSE，已上线实时预测仪表盘。
2025-11-19 cs.LG
MetNet: A Neural Weather Model for Precipitation Forecasting
Google Research（谷歌研究院）
天气预报是一项长期存在的科学挑战，具有直接的社会和经济影响。该任务适合于深度神经网络，这是由于大量的连续收集的数据和丰富的空间和时间结构，呈现出长范围的依赖性。我们介绍MetNet，一个神经网络，预测降水长达8小时的未来在1公里的高空间分辨率$^2$和时间分辨率为2分钟的延迟在秒的顺序。MetNet将雷达和卫星数据作为输入，预测提前时间，并生成概率降水图。该架构使用轴向自我注意力，从对应于一百万平方公里的大输入块中聚合全局上下文。我们评估了MetNet在不同降水阈值下的性能，发现MetNet在美国大陆范围内的7至8小时预报中优于数值天气预报。
2020-03-30 cs.LG physics.ao-ph stat.ML
Weather-Adaptive Multi-Step Forecasting of State of Polarization Changes in Aerial Fibers Using Wavelet Neural Networks
Nokia Bell Labs（诺基亚贝尔实验室）；Nokia（诺基亚）
本文提出一种天气自适应方法，结合离散小波变换与天气数据，对架空光纤中的多尺度偏振态变化进行多步预测，在RMSE和MAPE上分别比基线提升65%和63%。
2024-09-05 cs.LG cs.NI
WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models
Technical University of Munich（慕尼黑工业大学）；ClimateAi, Inc（ClimateAi公司）
WeatherBench是一个基准数据集，用于对位势、温度和降水进行中期天气预报，包括预处理数据、预定义的评估指标和一些基线模型。WeatherBench Probability通过添加一组已建立的概率验证指标（连续排名概率得分，扩展技能比和排名直方图）和使用ECWMF IFS集合预报的最先进的操作基线，将其扩展到概率预报。此外，我们还测试了三种不同的概率机器学习方法--蒙特卡洛退出、参数预测和分类预测，其中概率分布是离散化的。我们发现，简单的蒙特卡罗退出严重低估了不确定性。参数模型和分类模型都能产生质量相似的相当可靠的预测。参数模型的自由度更少，而分类模型在预测非高斯分布时更灵活。没有一个模型能够与业务IFS模型的技能相匹配。我们希望这个基准将使其他研究人员能够评估他们的概率方法。
2022-05-02 cs.LG physics.ao-ph
StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting
Hunan University（湖南大学）
StationPDE通过构建地形感知连续场并分解为地表风输运与高空推断，结合数据驱动扩散分支，实现多站点多变量天气预测，在Weather2K和MeteoNet上平均MSE降低9.6%。
2026-09-25 cs.LG
Deep learning-based method for weather forecasting: A case study in Itoshima
Joint Graduate School of Mathematics for Innovation, Kyushu University（九州大学创新数学联合研究生院）；International Institute for Carbon-Neutral Energy Research, Kyushu University（九州大学国际碳中和能源研究所）；Institute of Tropical Agriculture, Kyushu University（九州大学热带农业研究所）；Faculty of Agriculture, Kyushu University（九州大学农学院）
针对天气系统复杂性导致的预测难题，本研究提出一种专用于日本Itoshima天气预报的多层感知机模型，其性能优于LSTM和RNN等基准模型。
2024-03-22 cs.LG
The Compatibility between the Pangu Weather Forecasting Model and Meteorological Operational Data
Beijing Aviation Meteorological Institute（北京航空气象研究所）；Institute of Atmospheric Physics, Chinese Academy of Sciences（中国科学院大气物理研究所）
本文通过案例研究评估盘古气象模型与多种数值天气预报业务分析场的兼容性，发现其在不同初始条件下预报稳定，且提高初始条件质量可显著提升预报性能。
2023-08-07 cs.LG physics.ao-ph
On some limitations of data-driven weather forecasting models
ECMWF（欧洲中期天气预报中心）
本研究检验了数据驱动天气预报模型Pangu-Weather的预报特性，发现其保真度与物理一致性不及物理模型，传统指标上的精度优势部分源于此，同时指出这类模型仍可通过低计算成本为特定应用的数值天气预报增值。
2023-11-03 cs.LG physics.ao-ph stat.ML
VarteX: Enhancing Weather Forecast through Distributed Variable Representation
Graduate School of Science and Engineering, Chiba University（千叶大学科学与工程研究生院）；Graduate School of Informatics, Chiba University（千叶大学信息学研究生院）
针对多气象变量高效处理难题，本文提出变量聚合方案与高效学习框架 VarteX，以更少参数和资源实现优于传统模型的预报性能。
2024-06-28 cs.LG physics.ao-ph
XiChen: A global weather observation-to-forecast machine learning system via four-dimensional variational gradient-guided flexible assimilation
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
XiChen通过四维变分梯度引导的灵活同化，实现全球天气观测到预报的机器学习系统，具备物理一致性与鲁棒性。
2026-02-08 cs.AI cs.LG physics.ao-ph
The promising potential of vision language models for the generation of textual weather forecasts
Met Office（英国气象局）；Amazon Web Services（亚马逊网络服务）；University of East Anglia（东安格利亚大学）
本文研究了视觉语言模型在直接生成文本天气预报中的潜力，通过视频编码的格网天气数据提升气象服务的生产效率与创新。
2025-12-03 cs.AI cs.LG physics.ao-ph
Deep Learning for Post-Processing Ensemble Weather Forecasts
ETH Zürich（苏黎世联邦理工学院）；ECMWF（欧洲中期天气预报中心）
量化天气预报的不确定性至关重要，特别是对于预测极端天气事件。这通常是通过集合预报系统来实现的，集合预报系统由许多并行运行的扰动数值天气模拟或轨迹组成。这些系统与高计算成本相关联，并且通常涉及统计后处理步骤以廉价地提高其原始预测质量。我们提出了一个混合模型，该模型仅使用原始天气轨迹的一个子集，并使用深度神经网络进行后处理。这些使模型能够考虑当前数值模型或后处理方法无法捕获的非线性关系。应用于全球数据，我们的混合模型实现了集合预报技能（CRPS）的相对提高超过14%。此外，我们证明，改善是更大的极端天气事件的选择案例研究。我们还表明，我们的后处理可以使用更少的轨迹，以实现可比的结果，以完整的合奏。通过使用更少的轨迹，可以降低集合预报系统的计算成本，使其能够以更高的分辨率运行并产生更准确的预报。
2020-09-21 cs.LG eess.SP physics.ao-ph
Forecast Skill Is Not Decision Skill: Evidence from Weather-Dependent Decision Tasks
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）
从决策者角度评估天气预报，发现预报性能在决策层面与预报层面不一致，需采用新的评估框架来选择最优模型。
2026-09-07 cs.LG stat.AP
FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting
Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化研究院）；Shanghai Academy of Artificial Intelligence for Science（上海科学人工智能研究院）；National Meteorological Information Center, China Meteorological Administration（中国气象局国家气象信息中心）
本文提出FuXi-ENS机器学习模型，以0.25°分辨率生成15天全球集合预报，通过VAE优化CRPS与KL散度损失引入流依赖扰动，在98.1%的变量与时效组合上超越ECMWF集合预报。
2024-08-09 cs.AI cs.LG physics.ao-ph
Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
我们提出了一个显着改进的数据驱动的全球天气预报框架，使用深度卷积神经网络（CNN）来预测全球网格上的几个基本大气变量。该框架的新发展包括离线体积保守映射到立方体球体网格，对CNN架构的改进，以及预测序列中多个步骤的损失函数的最小化。立方体球体重新映射最小化在其上执行卷积操作的立方体面上的失真，并且为CNN中的填充提供自然边界条件。我们改进的模型产生的天气预报是无限稳定的，并产生现实的天气类型在几个星期或更长的提前时间。对于中短期预报，我们的模型显着优于持久性，气候学和粗分辨率动力数值天气预报（NWP）模式。毫不奇怪，我们的预测比高分辨率的最先进的业务NWP系统更差。我们的数据驱动模型能够学习从几个输入大气状态变量预测复杂的地面温度模式。在年度时间尺度上，我们的模型产生了一个现实的季节性周期，仅由大气层顶太阳强迫的规定变化驱动。虽然目前它的准确性低于业务天气预报模型，但我们的数据驱动的CNN执行速度比这些模型快得多，这表明机器学习可能被证明是大型集合预报的宝贵工具。
2020-03-15 cs.LG physics.ao-ph stat.ML
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
Linköping University（林雪平大学）；SMHI（瑞典气象和水文研究所）
本文提出Diffusion-LAM，一种以边界数据为条件的概率有限区域天气模型，并在MEPS数据集上验证了其提供准确概率预报的潜力。
2025-04-10 cs.LG physics.ao-ph
Combining distribution-based neural networks to predict weather forecast probabilities
Imperial College London（伦敦帝国学院）；University of Exeter（埃克塞特大学）；Met Office（英国气象局）
过去几十年来，深度学习技术的成功为天气预报研究开辟了一条新的途径。在这里，我们采用了一种新的方法，使用神经网络来预测空间和时间中每个点的全概率密度函数，而不是单个输出值，从而产生概率天气预报。这使得能够计算神经网络预测的不确定性和技能度量，并克服了从这些预测中推断不确定性的常见困难。这种方法是数据驱动的，神经网络在WeatherBench数据集（处理过的ERA5数据）上进行训练，以预测未来3天和5天的位势和温度。数据探索导致最重要的输入变量，这也被发现同意物理推理，从而验证我们的方法的识别。为了进一步提高计算效率，每个神经网络在这些变量的一个小子集上进行训练。然后，这些输出通过一个堆叠的神经网络进行组合，这是这种技术首次应用于天气数据。我们的方法被发现是更准确的一些数值天气预报模型和更复杂的替代神经网络一样准确，提供必要的关键概率信息，使知情的天气预报的额外好处。
2021-10-04 cs.LG physics.ao-ph physics.data-an
STC-ViT: Spatio Temporal Continuous Vision Transformer for Medium-range Global Weather Forecasting
University of New South Wales（新南威尔士大学）
STC-ViT通过结合傅里叶神经算子和神经ODE，提出了一种用于中程全球天气预报的时空连续视觉变换器，实现了高效且准确的预报性能。
2025-11-28 cs.LG
Improving Global Weather and Ocean Wave Forecast with Large Artificial Intelligence Models
Nanjing University of Information Science and Technology（南京信息工程大学）；Shanghai AI Laboratory（上海人工智能实验室）；The Hongkong University of Science and Technology（香港科技大学）；Fudan University（复旦大学）
本文探讨大型AI天气预报模型的演进，提出“三大法则”衡量其发展，并强调AI与传统数值模型融合是未来大气-海洋预报的最优路径，同时以全球海浪预报模型为例展示其应用。
2024-04-19 cs.AI cs.LG physics.ao-ph
Benchmarking Physics-Informed Time-Series Models for Operational Global Station Weather Forecasting
Department of Computer Science and Engineering, Hong Kong University of Science and Technology, Hong Kong SAR China（香港科技大学计算机科学与工程系）；Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, China（南方科技大学计算机科学与工程系）；School of Computer and Information Sciences, University of Newcastle, Newcastle, Australia（新castle大学计算机与信息科学学院）；Hangzhou Innovation Institute of Beihang University, Hangzhou, China（北京航空航天大学杭州创新研究院）；Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室）
提出大规模观测数据集WEATHER-5K和物理信息模型PhysicsFormer，通过压力-风对齐和能量感知平滑损失增强物理一致性，在多个天气变量和极端事件预测上评估学术模型与业务系统的差距。
2026-06-18 cs.CV cs.LG physics.ao-ph
Aardvark weather: end-to-end data-driven weather forecasting
University of Cambridge（剑桥大学）；Vector Institute（矢量研究所）；University of Toronto（多伦多大学）；Microsoft Research（微软研究院）；British Antarctic Survey（英国南极调查局）；The Alan Turing Institute（阿兰·图灵研究所）；European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）；Google Deepmind（谷歌DeepMind）
本研究提出端到端数据驱动天气预报系统Aardvark Weather，可替代完整业务化数值天气预报流程，以极低的计算量和数据量实现更优的全球及本地预报性能，为新一代中期预报模型奠定基础。
2024-07-13 cs.LG physics.ao-ph
Statistical post-processing yields accurate probabilistic forecasts from Artificial Intelligence weather models
针对AI天气模型存在系统性偏差和可靠性问题的现状，研究验证现有NWP统计后处理系统IMPROVER可直接用于AIFS，融合后能提升预报技巧，支持气象中心低风险引入AI预报。
2025-10-15 cs.AI cs.LG physics.ao-ph
HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting
University of Manchester（曼彻斯特大学）；Hunan University（湖南大学）；Microsoft Research（微软研究院）；Chinese Academy of Sciences（中国科学院）
针对极端天气预报研究不足、专用数据集有限的问题，本研究构建了基于NOAA的HRRR数据的高分辨率极端天气数据集HR-Extreme，评估现有模型并提出性能更优的HR-Heim模型，揭示极端天气案例误差更大的问题，强调需提升极端天气预报准确性。
2025-02-18 cs.LG
An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting
Microsoft（微软）
提出一套结合数据驱动模型与ECMWF海洋模型的业务化多模型集合预报系统，在1度分辨率下实现4周时效的全球天气预报，其2米温度预测平均超ECMWF原始集合4-17%，证明数据驱动方法可实现接近最先进的次季节预报。
2024-03-22 cs.LG physics.ao-ph
ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs
Aalto University（阿尔托大学）；YaiYai Ltd（YaiYai有限公司）
本文提出 ClimODE，将平流物理引入连续时间神经 ODE，以守恒神经流建模全球天气演变并支持不确定性估计，以少一个数量级的参数取得全球与区域预报新 SOTA。
2024-04-15 cs.AI cs.ET cs.LG
Adversarial Observations in Weather Forecasting
BIFOLD & TU Berlin Germany（BIFOLD与柏林技术大学）
本文针对谷歌GenCast等自回归扩散模型提出一种新型攻击，通过引入统计不可区分的细微扰动操纵天气预报并伪造极端事件，揭示现代多源气象预报体系面临的关键安全风险。
2025-04-22 cs.CR cs.LG
Efficient spatio-temporal weather forecasting using U-Net
天气预报在人类日常生活的多个方面都起着至关重要的作用。目前，基于物理的数值天气预报用于预测天气，并且需要大量的计算资源。近年来，基于深度学习的模型在许多天气预测相关任务中取得了广泛的成功。在本文中，我们描述了我们的实验Weather 4cast 2021挑战，其中8小时的时空天气数据预测的基础上，最初的一个小时的时空数据。我们专注于SmaAt-UNet，一个高效的基于U-Net的自动编码器。有了这个模型，我们取得了合格的结果，同时保持低的计算资源。最后，对几种方法和今后可能的工作进行了讨论。
2021-12-13 cs.LG physics.ao-ph
Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee
Tennessee Tech University（田纳西理工大学）
传统上，天气预测是在大型复杂物理模型的帮助下进行的，这些模型在很长一段时间内利用不同的大气条件。由于天气系统的扰动，这些条件往往是不稳定的，导致模型提供不准确的预测。这些模型通常在大型高性能计算（HPC）环境中的数百个节点上运行，这消耗了大量的能量。在本文中，我们提出了一种天气预测技术，利用历史数据从多个气象站的训练简单的机器学习模型，它可以提供有用的预测某些天气条件在不久的将来在很短的时间内。这些模型可以在资源密集度低得多的环境中运行。评估结果表明，该模型的准确性是足够好的，可以一起使用的当前国家的最先进的技术。此外，我们表明，它是有益的，利用气象站数据从多个相邻地区的数据，只有该地区的天气预报正在进行。
2020-08-25 cs.CY cs.LG stat.AP
