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
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast
Huawei Cloud Computing(华为云计算)
在本文中,我们介绍了Pangu-Weather,一个基于深度学习的系统,用于快速准确的全球天气预报。为此,我们通过从第五代ECMWF再分析(ERA 5)数据中下载$43$年的每小时全球天气数据,并训练一些深度神经网络,总共约有$256$百万个参数,建立了一个数据驱动的环境。预报的空间分辨率为$0.25^\circ\times0.25^\circ$,与欧洲中期天气预报中心的综合预报系统(IFS)相当。更重要的是,基于人工智能的方法第一次在所有因素的准确性(纬度加权RMSE和ACC)方面优于最先进的数值天气预报(NWP)方法(例如,位势、比湿度、风速、温度等)并且在所有时间范围内(从一小时到一周)。有两个关键的策略来提高预测精度:(i)设计一个三维地球特定的Transformer(3DEST)架构,制定的高度(压力水平)的信息到立方数据,和(ii)应用分层时间聚合算法,以减轻累积的预测误差。在确定性预报方面,盘古天气在中短期预报方面表现出很大的优势(即,预测时间由一小时至一星期不等)。Pangu-Weather支持广泛的下游预报场景,包括极端天气预报(例如,热带气旋跟踪)和大型集合预报的实时性。Pangu-Weather不仅结束了关于基于人工智能的方法是否可以超越传统NWP方法的争论,还揭示了改进深度学习天气预报系统的新方向。
2022-11-03 cs.AI cs.CV cs.LG
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
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
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
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
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
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
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
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
Local Off-Grid Weather Forecasting with Multi-Modal Earth Observation Data
Massachusetts Institute of Technology(麻省理工学院);IBM Research(IBM研究院);Shell Information Technology International Inc.(壳牌信息技术国际公司)
本文提出一种多模态Transformer模型,通过端到端训练将网格化预报降尺度至非网格位置,提升局部天气预测精度,实验显示其优于多种非数据驱动和数据驱动的非网格预报方法。
2025-08-25 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
Skillful joint probabilistic weather forecasting from marginals
Google DeepMind(谷歌DeepMind)
针对传统数值天气预报精度速度不足的问题,提出FGN建模方法,通过约束模型集合的学习扰动生成预报、直接优化CRPS训练,在多指标下达到SOTA,还能捕捉空间联合结构。
2025-06-12 cs.LG physics.ao-ph
GraphCast: Learning skillful medium-range global weather forecasting
Google DeepMind(谷歌DeepMind);Google Research(谷歌研究院)
提出基于机器学习的GraphCast方法,直接从再分析数据训练,在1分钟内生成0.25度分辨率的10天全球天气预报,在90%验证目标上超越传统系统,提升极端事件预测能力。
2023-08-04 cs.LG physics.ao-ph
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
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
MetMamba: Regional Weather Forecasting with Spatial-Temporal Mamba Model
Beijing PRESKY Technology Co., Ltd.(北京普雷斯凯科技有限公司)
针对当前DLWP领域有限区域建模和骨干网络研究不足的问题,提出基于Mamba状态空间模型的MetMamba模型,验证其性能优于传统注意力、神经算子骨干网络,并证实与全局模型耦合训练的有限区域深度学习建模可行。
2024-08-14 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
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
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
Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System
Cooperative Institute for Mesoscale Meteorological Studies(中尺度气象研究合作所);NOAA/OAR/National Severe Storms Laboratory(美国国家海洋和大气管理局/海洋与大气研究/国家强风暴实验室);School of Meteorology, University of Oklahoma(俄克拉荷马大学气象学院);School of Computer Science, University of Oklahoma(俄克拉荷马大学计算机科学学院)
美国国家海洋和大气管理局(NOAA)预报警告(WoF)项目的主要目标是为人类预报员提供快速更新的概率指导,用于短期(例如,0-3 h)灾害性天气预报。最大限度地利用概率灾害性天气的指导,从一个集合的对流允许模式预报需要校准。在这项研究中,我们比较了一个简单的方法,使用上升气流螺旋度对一系列的机器学习(ML)算法校准WoFS灾害性天气指导的技能。ML模型通常用于校准灾害性天气指南,因为它们利用多个变量并在复杂数据集中发现有用的模式。\indent我们的数据集包括WoF系统(WoFS)集合预报,每5分钟提供一次,提前150分钟,来自2017-2019年NOAA危险天气试验台春季预报实验(81个日期)。使用一种新的集合风暴路径识别方法,我们从WoFS预报中提取了三组预测因子:风暴内状态变量,近风暴环境变量和集合风暴路径的形态属性。然后,我们训练随机森林、梯度提升树和逻辑回归算法来预测哪些WoFS 30分钟集合风暴轨迹将对应于龙卷风、严重冰雹和/或强风报告。对于简单的方法,我们提取的集合概率2-5公里上升气流螺旋度(UH)超过阈值(调整每个灾害性天气灾害)从每个集合风暴路径。三种ML算法对所有三种危害都有很好的区分,并且产生的概率比基于UH-based预测的概率更可靠。总体而言,结果表明,基于ML的动态集合输出校准可以改善短期风暴尺度灾害性天气概率制导
2020-11-12 cs.LG physics.ao-ph
DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting
Washington University in St. Louis(圣路易斯华盛顿大学);NVIDIA(英伟达)
FourCastNet(FCN)等数据驱动模型在高分辨率全球天气预报方面表现出了出色的性能。然而,这种表现是基于对网格天气数据的监督,而没有利用原始气候观测数据,这是黄金标准地面实况。在这项工作中,我们开发了一种方法来校正,重新映射和微调FCN的网格化统一预测,以便它可以直接与观测地面实况进行比较,这是稀疏和不均匀的空间和时间。这类似于数值天气预报(NWP)的偏差校正和后处理,这是全球气象和天气预报中心的常规操作。自适应傅立叶神经运算器(AFNO)架构被用作骨干来学习大气的连续表示。在给定输出查询位置的情况下,通过非均匀离散逆傅立叶变换(NUIDFT)来评估空间和时间非均匀输出。我们将这个网络称为深度学习校正器重映射器(DLCR)。DLCR的性能相对于基准性能的黄金标准地面实况的改进显示了其在观测监督下校正、重新映射和微调网格化预报的潜力。
2022-10-21 cs.LG physics.ao-ph
Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán
本研究比较了四个机器学习模型与数值天气预报模型对欧洲风暴Storm Ciarán的预报,发现机器学习模型能准确捕捉气旋大尺度结构但低估风速峰值并难以解析关键细节,表明需通过高影响天气案例研究评估其性能。
2024-02-19 cs.LG physics.ao-ph
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
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
Super Resolution On Global Weather Forecasts
University of Maryland(马里兰大学)
本研究通过超分辨率技术提升GraphCast全球温度预测的空间分辨率,从1度细化至0.5度,以改进深度学习天气预报的精度。
2024-09-19 cs.LG physics.ao-ph
Data driven weather forecasts trained and initialised directly from observations
European Centre for Medium-Range Weather Forecasts (ECMWF)(欧洲中期天气预报中心)
提出一种纯观测驱动的机器学习天气预报方法,直接从历史观测训练神经网络并初始化,无需再分析数据,初步实现12小时预报,避免数据同化依赖。
2024-07-22 cs.LG physics.ao-ph
Huracan: A skillful end-to-end data-driven system for ensemble data assimilation and weather prediction
Microsoft Corporation(微软公司);Department of Earth System Science, Ministry of Education Key Laboratory for Earth System Modeling, Institute for Global Change Studies(教育部地球系统科学部门地球系统建模重点实验室,全球变化研究机构);Tsinghua University(清华大学)
提出Huracan系统,结合集合数据同化与预报模型,仅依赖观测数据实现与ECMWF ENS相当的预报精度,在80.2%的变量和预报时长组合上匹配或超越其连续排序概率评分。
2026-06-26 cs.LG physics.ao-ph
FuXi-2.0: Advancing machine learning weather forecasting model for practical applications
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)
针对现有机器学习天气预报模型时间分辨率粗、变量少的问题,研究提出融合海气模块的FuXi-2.0模型,可逐小时全球预报,在多行业相关气象变量及热带气旋强度预报上优于ECMWF HRES和前代模型。
2024-09-11 cs.LG physics.ao-ph
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
OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations
Microsoft Corporation(微软公司)
提出直接基于观测数据的高分辨率AI天气预报模型OMG-HD,无需数据同化,在美国本土12小时预报时效内多项指标优于IFS-HRES和HRRR。
2024-12-24 cs.LG physics.ao-ph
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
Fixing the Double Penalty in Data-Driven Weather Forecasting Through a Modified Spherical Harmonic Loss Function
针对数据驱动天气预报中均方误差损失导致的“双重惩罚”与精细尺度平滑问题,提出一种无需参数的球谐损失函数修改方法,将去相关与谱振幅误差分离,微调 GraphCast 模型后有效分辨率从 1,250km 提升至 160km,显著改善了预报清晰度、集合散度及极端天气预测。
2025-05-29 cs.LG physics.ao-ph
ENS-10: A Dataset 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)
后处理集合预报系统可以提高天气预报的可靠性,特别是对极端事件的预报。近年来,已经开发了不同的机器学习模型来提高天气后处理的质量。然而,这些模型需要一个全面的天气模拟数据集来产生高精度的结果,这需要很高的计算成本。本文介绍了ENS-10数据集,由跨越20年(1998 - 2017)的10个集合成员组成。系综成员是通过扰动数值天气模拟来捕捉地球的混沌行为而产生的。为了表示大气的三维状态,ENS-10提供了11个不同压力水平下最相关的大气变量,并以0.5度分辨率提供了预测提前时间T = 0,24和48小时(每周两个数据点)的表面。我们提出了ENS-10的预测校正任务,通过集合后处理,在48小时的提前期内提高预报质量。我们提供了一组基线,并比较他们的技能,在纠正三个重要的大气变量的预测。此外,我们使用我们的数据集来衡量基线在改善极端天气事件预测方面的能力。ENS-10数据集在Creative Commons Attribution 4.0 International(CC BY 4.0)许可下提供。
2022-11-07 cs.LG physics.ao-ph
Interpolation of mountain weather forecasts by machine learning
Graduate School of Marine Science and Technology, Tokyo University of Marine Science and Technology(海洋科学与技术研究生院,东京海洋大学)
本文提出利用机器学习插值山地未来天气,结合周边平原预报数据和历史观测数据,使用LightGBM模型提升山地天气预报精度,减少训练时间并改进RMSE。
2024-08-14 cs.LG physics.ao-ph
M-ENIAC: A machine learning recreation of the first successful numerical weather forecasts
University of Hamburg(汉堡大学);Memorial University of Newfoundland(纽芬兰纪念大学)
本文通过物理信息神经网络重现1950年ENIAC的首个成功数值天气预报,证明该方法比传统数值离散化更简便且更精确。
2023-04-18 cs.LG cs.NA math.NA
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
A case study of spatiotemporal forecasting techniques for weather forecasting
Skoltech(斯科尔科沃科技学院);CAIT(先进信息技术中心)
本文探讨基于区域数据的天气预报方法,提出基于张量列动态模式分解的预测模型,在无需训练的情况下达到与最先进模型相当的准确性,同时降低计算成本。
2024-06-08 cs.CV cs.LG cs.NA
GraphDOP: Towards skilful data-driven medium-range weather forecasts learnt and initialised directly from observations
European Centre for Medium-Range Weather Forecasts (ECMWF)(欧洲中期天气预报中心)
GraphDOP是ECMWF开发的端到端预报系统,直接从地球系统观测学习并初始化,无需物理再分析输入,能预测未来五天的天气参数。
2024-12-20 cs.LG physics.ao-ph
Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团)
针对天气预报中传统模型的时间离散化误差等问题,提出物理驱动的WeatherODE模型,结合波动方程与CNN-ViT-CNN三明治结构,在全球和区域预报中RMSE较SOTA分别降超40%和31.8%。
2024-10-09 cs.AI cs.LG
FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators
NVIDIA Corporation(英伟达公司);University of Michigan(密歇根大学);Rice University(莱斯大学);California Institute of Technology(加州理工学院);Purdue University(普渡大学)
FourCastNet是傅立叶预测神经网络的缩写,是一个全球数据驱动的天气预报模型,以$0.25^{\circ}$分辨率提供准确的短期到中期全球预测。FourCastNet准确地预测高分辨率,快速时间尺度的变量,如地面风速,降水和大气水蒸气。它对规划风能资源、预测热带气旋、超热带气旋和大气河流等极端天气事件具有重要意义。FourCastNet与ECMWF综合预报系统(IFS)的预报精度相匹配,IFS是一种最先进的数值天气预报(NWP)模型,在大尺度变量的短时间内,同时在具有复杂精细结构的变量(包括降水)方面优于IFS。FourCastNet在不到2秒的时间内生成为期一周的预测,比IFS快了几个数量级。FourCastNet的速度使得能够创建快速和廉价的大型集合预报,其中包含数千个集合成员,以提高概率预报。我们讨论了数据驱动的深度学习模型(如FourCastNet)如何成为气象学工具包的一个有价值的补充,以帮助和增强NWP模型。
2022-02-22 cs.LG physics.ao-ph
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
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
Benchmarking AI-based data assimilation to advance data-driven global weather forecasting
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出DABench基准测试,用于评估AI基于的数据同化方法,展示其在提升全球天气预报准确性方面的竞争力。
2026-02-16 cs.CV 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
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
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
Utilizing Strategic Pre-training to Reduce Overfitting: Baguan -- A Pre-trained Weather Forecasting Model
DAMO Academy, Alibaba Group(达摩院,阿里巴巴集团)
针对气象数据有限导致AI预报模型过拟合的问题,提出基于自监督孪生自编码器预训练的中期预报模型Baguan,通过难度适中的预训练任务引入局部性偏差缓解过拟合,性能优于传统方法且下游任务表现优异。
2025-05-20 cs.AI cs.LG
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