The role of the oceans for subseasonal prediction: insights from eddy-permitting and eddy-rich coupled forecast systems
ECMWF（欧洲中期天气预报中心）
本文研究了海洋在亚季节预测中的作用，通过评估ECMWF集成预测系统中耦合海洋-大气系统对46天再预报的影响，探讨了提高水平分辨率和更好的海洋中尺度表示的潜力，发现耦合显著提高了热带地区的集合预报技能，特别是对MJO的预测能力有显著提升。
2026-10-20 physics.ao-ph
Njord: A Probabilistic Graph Neural Network for Ensemble Ocean Forecasting
University of Helsinki（赫尔辛基大学）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；Linköping University（利德诺大学）
提出结合深度潜变量框架和图神经网络的概率模型Njord，在全球和区域海洋实现单次前向传播采样集合预报，并引入K-means聚类网格适应不规则海面几何，相比确定性基线在观测评估中取得更低误差。
2026-10-15 cs.LG physics.ao-ph
The Assessment and Calibration of Ensemble Seasonal Forecasts of Equatorial Pacific Ocean Temperature and the Predictability of Uncertainty
我们评估了两个44年的合奏季节性后报时间序列的厄尔尼诺指数的DEMETER项目的一部分。我们表明，合奏的意思是进行有用的信息到六个月。然而，集合传播在一个模型中只携带了四个月的有用信息，在另一个模型中只携带了两个月的有用信息。
2003-08-16 physics.ao-ph
Observation and quantification of inertial effects on the drift of floating objects at the ocean surface
我们目前的实验结果，旨在更好地了解洋流和风控制漂浮物漂移的机制。实验包括在佛罗里达海流中部署，随后卫星跟踪专门设计的各种大小、浮力和形状的漂流浮标。我们解释的特殊漂流者所描述的轨迹的差异，作为其惯性的结果，主要是浮力，这限制了漂流者的能力，以适应其速度的瞬时变化，在洋流和风，定义携带流场。我们的解释所观察到的行为如下应用最近提出的马克西-莱利理论的有限大小的颗粒在海洋表面漂浮的运动。载流的性质和理论的有效性域进行了澄清，并提出了一个封闭的建议，以充分确定其参数的载流系统的性能和惯性粒子的特性。
2019-11-17 nlin.CD physics.ao-ph
Massively Parallel Implicit Equal-Weights Particle Filter for Ocean Drift Trajectory Forecasting
预测海洋漂移轨迹对于许多应用都很重要，包括搜索和救援行动、溢油清理和冰山风险缓解。在操作环境中，漂移轨迹的预测是根据三维洋流的计算需求预测产生的。在这里，我们研究了一个补充的方法，为更短的时间尺度，通过使用最近的国家的最先进的隐式等权重粒子滤波器应用到一个简化的海洋模型。为了实现这一目标，我们提出了一种新的算法设计的数据同化系统中的所有组件-包括模型，模型误差，和粒子滤波器-利用大规模并行计算架构，如图形处理单元。更快的计算可以使现场和特设模型运行的应急管理，更大的合奏更好的不确定性量化。使用一个具有挑战性的测试案例与接近现实的混沌不稳定性，我们运行数据同化实验的基础上，从漂流和系泊浮标的合成观测，并分析漂移的轨迹预测。我们的研究结果表明，即使是稀疏的漂移观测也足以显着改善短期漂移预测长达12小时。等距系泊浮标观测只有0.1%的状态空间，合奏后的数据同化，高质量的概率预报的真实状态的准确描述。
2019-10-02 physics.ao-ph stat.CO
Ensemble model aggregation using a computationally lightweight machine-learning model to forecast ocean waves
本研究探讨了一种方法，以提高计算轻量级代理模型的准确性，通过更新预测的历史精度相对于稀疏的观测数据。使用一个轻量级的，海浪预报模型，我们创建了大量的模型合奏，扰动输入，为期两年的研究期。预测是使用机器学习算法汇总的，该算法将来自多个独立模型的预测组合成对真实状态的单个“最佳估计”预测。该框架被应用到一个案例研究网站在蒙特雷湾，加利福尼亚州。一个学习聚合技术使用历史观测和模式预报来计算每个集合成员的权重。加权合奏预测进行了比较，测量波条件，以评估性能对目前最先进的。最后，我们讨论了这个框架，它集成了合奏聚合和代理模型，可用于改善预报系统，并进一步使科学过程的研究。
2020-03-20 physics.ao-ph physics.geo-ph
Data-driven ensemble prediction of the global ocean
Artificial Intelligence Innovation and Incubation Institute（人工智能创新与孵化院）；Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）；Department of Atmospheric and Oceanic Sciences（大气科学与海洋科学系）；Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院）；FuXi Intelligent Computing Technology Co., Ltd.（复西智能计算技术有限公司）
本文提出FuXi-ONS系统，通过学习物理结构扰动和大气编码模块，实现全球海洋5天预报，提升概率预测质量并加快预测速度。
2026-03-20 cs.AI physics.ao-ph
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
BridgeCast: Bridging Ocean Wave Forecasts to Reanalysis via Flow Matching with Exogenous Variables
Johns Hopkins University（约翰斯·霍普金斯大学）；Singapore Management University（新加坡管理大学）；University of Houston（休斯顿大学）；University of Connecticut（康涅狄格大学）
BridgeCast提出一种基于条件流匹配的物理-人工智能混合框架，用于校正海洋波浪预报的系统性偏差，通过Transformer架构融合外生变量，在真实数据上优于现有基线。
2026-10-21 cs.AI cs.LG physics.ao-ph
Neural ocean forecasting from sparse satellite-derived observations: a case-study for SSH dynamics and altimetry data
IMT Atlantique（大西洋国立高等矿业电信学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；Ifremer（法国海洋开发研究院）；OceanDataLab；Mercator Ocean International（国际墨卡托海洋组织）；IRD（法国国家可持续发展研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
本文提出基于稀疏卫星观测的端到端神经预报框架，用于预测海面异常和流，展示其在数据稀疏条件下的有效性。
2025-12-15 cs.AI cs.LG physics.ao-ph
Real time assimilation of HF radar currents into a coastal ocean model
介绍了一个沿岸流实时同化预报系统。该系统的目的是根据高频雷达表层洋流测量结果的同化提供海流分析和预报。监测挪威海岸两个石油码头船舶交通的当地船舶交通管理局实时收到了分析和预报。本文提出了一种新的基于最优插值的同化方法，它利用海洋模式的空间协方差代替简化的数学公式。高频雷达天线阵列提供电流测量。一套嵌套的海洋模式组成的模式系统。观测系统被发现产生良好的分析和短期预报，显着改善相比，没有同化的模型双胞胎。该系统速度很快，船只航行监察处在收到雷达测量数据45分钟后，便可进行分析和6小时预报。
2012-09-28 physics.ao-ph physics.geo-ph
Skill of Long-Range Forecasts of Ocean Wave Spectra from the Navy ESPC Version 2 System
本研究评估了美国海军ESPC v2系统中波浪模型长期预报的技巧，提出利用现场观测和数值模型作为中介的逐频带偏差校正新方法。
2025-10-09 physics.ao-ph
Locally stationary Argo ocean heat content estimates: Modeling, validation and uncertainty quantification
Carnegie Mellon University（卡内基梅隆大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Case Western Reserve University（凯斯西储大学）；Iowa State University（爱荷华州立大学）；Colorado School of Mines（科罗拉多矿业学院）
利用时空统计方法对Argo浮标数据进行建模，提出局部平稳高斯过程框架，实现海洋热含量异常图绘制及不确定性量化，并通过交叉验证验证模型。
2026-07-01 physics.ao-ph stat.AP stat.ME
ORCAst: Operational High-Resolution Current Forecasts
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；LIP6（巴黎第六大学信息学实验室）；Inria（法国国家信息与自动化研究所）
ORCAst是一种多阶段、多分支的神经网络模型，利用卫星测高和漂流浮标数据，通过先预测海面高度和地转流再预测海流的策略，实现一周内业务化高分辨率海流预报，性能优于多种现有方法。
2025-01-21 cs.CV physics.ao-ph
Skillful Global Ocean Emulation and the Role of Correlation-Aware Loss
CIRES, University of Colorado, Boulder, CO, USA（大气科学研究所，科罗拉多大学，伯尔尼，科罗拉多州，美国）；NOAA Physical Sciences Laboratory, Boulder, CO, USA（国家海洋和大气管理局物理科学实验室，伯尔尼，科罗拉多州，美国）
本文提出一种专为海洋设计的模拟器，利用相关意识损失提升预测能力，通过空间相关性分析改进全球海洋动力学的背景预测。
2026-04-20 cs.AI nlin.CD physics.ao-ph
Diagnostic vs dynamic representation of the inverse barometer effect in a global ocean model and its potential for probabilistic storm surge forecasting
Norwegian Meteorological Institute（挪威气象局）；University of Bergen（卑尔根大学）；European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
本文研究了反气压效应在全球海洋模型中的诊断与动态表示方法，发现其能有效降低风暴潮预报的误差，尤其在封闭盆地和特定风暴事件中表现更佳。
2026-01-23 physics.ao-ph
Sensitivity of the ECMWF seasonal forecast model to CO2 and anthropogenic aerosol forcings: Experimental design and impact on climate trends
ECMWF（欧洲中期天气预报中心）；Department of Meteorology and Geophysics, University of Vienna（维也纳大学气象与地球物理系）；NCAS, University of Oxford, Atmospheric, Oceanic and Planetary Physics（牛津大学大气、海洋和行星物理国家环境科学研究中心）
该研究利用ECMWF耦合季节预报系统开展反事实后报实验，探究模式对CO₂和人为气溶胶强迫的敏感性，发现反事实后报可改变长期温度趋势，为动态归因和诊断模式缺陷提供了有力工具。
2026-08-20 physics.ao-ph
Assimilation of distributed ocean wave sensors
现场海浪观测是提高模式技术和验证遥感海浪测量结果的关键。从历史上看，由于传统的测波浮标和传感器成本高且复杂，此类观测极为稀少。在这项工作中，我们提出了一个最近部署的网络的自由漂流卫星连接的表面气象浮标，提供长期居住覆盖的表面天气在北太平洋盆地。为了评估使用这种分布式传感器网络的模型预测技能的领先顺序的改进，我们实现了广泛使用的资料同化技术和比较预测技能相同的模型没有资料同化。即使在这里使用的基本同化策略，我们发现显着的改善，预报准确率从纳入测波浮标的意见，减少了27%的均方根误差在显着的波高整体。对于极端事件，其中预报准确率是特别相关的，我们观察到相当大的改善，在两个到达时间和膨胀的量级分别为6小时和1米。我们的研究结果表明，分布式海洋网络可以以极低的成本显着提高模型技能。同化策略的改进很容易实现，并将立即带来进一步的建模收益。
2020-03-09 physics.ao-ph physics.data-an
Bayesian neural networks for the probabilistic forecasting of wind direction and speed using ocean data
Imperial College London（伦敦帝国理工学院）
神经网络正越来越多地用于各种设置来预测风向和风速，这是估计风电场潜在功率输出的两个最重要的因素。然而，这些预测的价值有限，因为经典神经网络缺乏表达不确定性的能力。在这里，我们考虑使用贝叶斯神经网络（BNN），其权重，偏差和输出是分布而不是确定性的点值。这允许评估认识和任意的不确定性，并导致良好校准的不确定性预测的风速和功率。在这里，我们认为BNN的应用问题的海上风力资源预测的可再生能源的应用。对于我们的数据集，我们使用北海FINO 1研究平台记录的观测数据，我们的预测因子是海洋数据，如水温和流向。由BNN预测的概率预测为结果增加了相当大的价值，特别是告知用户网络对样本外数据点进行预测的能力。我们使用BNN的这一属性得出结论，我们的网络所做的风速和方向预测的准确性和不确定性不受附近阿尔法文图斯风电场建设的影响。因此，在该地点，在风电场建成后，可以使用在风电场前海洋数据上训练的网络来根据海洋数据准确地预测风场信息。
2022-06-14 cs.LG physics.ao-ph
Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model
Princeton University（普林斯顿大学）；NVIDIA（英伟达）；University of Washington（华盛顿大学）
本文提出高分辨率 AI/ML 耦合地球系统模型 Ola，分别建模海洋与大气动力学，能再现热带波及真实 ENSO 特征，并在 ENSO 预测上优于 SPEAR。
2024-06-12 cs.LG physics.ao-ph
Forecasting seasonal rainfall in SE Australia using Empirical Orthogonal Functions and Neural Networks
本研究针对澳大利亚东南部南半球春季降雨定量预测难题，结合经验正交函数（EOF）筛选海温相关因子，构建深度学习神经网络模型，实现了9-10月较高精度的季节降雨后报与预测。
2024-08-20 nlin.CD physics.ao-ph
Uncertainty-permitting machine learning reveals sources of dynamic sea level predictability across daily-to-seasonal timescales
本文利用在CESM2大集合数据上训练且能输出不确定性的神经网络，识别日到季节尺度动力海平面的状态依赖可预测性来源，揭示了关岛Rossby波和印度洋偶极子及El Niño等远程驱动机制。
2025-07-21 physics.ao-ph
A Machine Learning Framework to Forecast Wave Conditions
本文提出了一种用于海浪条件估计的机器学习框架。通过对基于物理的波浪模型的数千次迭代进行机器学习模型的监督训练，可以使用显著波高和周期的准确表示来预测海洋状况。蒙特利湾的模型被用作示例试验场;它是由测量的波浪条件，洋流临近预报和报告的风所强迫的。这些输入数据以及空间可变波高和特征周期的模型输出被聚合到监督学习训练和测试数据集，这些数据集被提供给机器学习模型。这些机器学习模型复制了波高，均方根误差为9厘米，并正确识别了测试数据集90%以上的特征周期。令人印象深刻的是，与基于物理的模型预测相比，通过矩阵运算将模型输入转换为输出只需要一小部分（<1/1，000）的计算时间。
2017-09-25 physics.ao-ph
A bridge between invariant dynamical structures and uncertainty quantification
我们开发了一个新的量化器，向前的时间不确定性的轨迹，从数据集生成的模型的解决方案。我们的不确定性量词定义在相空间中的轨迹发展，我们表明，它有一个丰富的结构，直接关系到相空间结构的动力系统理论，如双曲轨迹和稳定和非稳定流形。我们将我们的方法应用于海洋数据集，以及确定性动力系统理论的标准基准模型。我们的研究结果的一个重要应用是，它们允许从不同的海洋数据集描述的运输性能的定量比较。这是特别有趣的今天，当各种各样的来源，因为我们的方法提供了评估这些数据集在各种情况下的有效使用的途径。
2021-03-05 cond-mat.stat-mech math.DS physics.ao-ph
Stochastic modeling for trajectories drift in the ocean: Application of Density Clustering Algorithm
本研究的目的是利用高分辨率的海洋预报资料和大气资料来研究风致漂移对海上漂浮物的影响。随机Leeway模型在地中海的轨迹漂移预测的两个应用：在亚得里亚海西部（21.06.2009-23.06.2009）和数值重建的厄尔巴岛事故（21.06.2009-23.06.2009）的海上漂流者的长期模拟。在亚得里亚海西部的长期模拟使用风数据从欧洲中期天气预报中心（ECMWF）和电流从亚得里亚海预报系统（AFS）。提出了一种空间聚类算法，用于确定具有高密度漂移的最可能搜索区域。使用不同类别的漂移和强迫场的不同模拟方案的结果进行了比较。利用来自地中海预报系统（MFS）的表面流和来自ECMWF的大气强迫场，重建了厄尔巴岛附近的海洋物体漂移。结果表明，吃水限制在上表面的漂流物更接近地再现了事故中的目标轨迹。
2015-05-18 nlin.CD physics.ao-ph
Wind and Wave Extremes over the World Oceans From Very Large Forecast Ensembles
全球返回值估计显着波高和10米中性风速估计从非常大的集合存档ECMWF集合预报在+240小时的提前时间从2003-2012年期间。发现上层风速与ENVISAT风速的匹配优于ERA-Interim（ERA-I），后者倾向于偏低。在热带外和亚热带，风速和波高的回报估计值明显高于ERA-I的结果，但低于Caires和Sterl（2005年）以及Vinoth和Young（2011年）报告的结果。ERA-I和ENS 240之间的最大差异出现在飓风多发地区，这表明在捕捉热带气旋的强度方面，ERA-I比ENS 240更接近。由于数据集的大小，置信区间的宽度通常减少70%。最后，从分布的尾部计算收益值的非参数估计。这些直接收益估计与广义帕累托估计相比非常好。
2013-10-03 physics.ao-ph
A Deep-learning Real-time Bias Correction Method for Significant Wave Height Forecasts in the Western North Pacific
本文提出基于轨迹门控循环单元和像素切换损失函数的深度学习实时偏差订正方法，利用海浪与风场共同驱动，分季节构建模型，有效降低了西北太平洋ECMWF有效波高预报误差。
2023-11-25 physics.ao-ph
Probabilistic Eddy Identification with Uncertainty Quantification
针对流场不确定性导致涡旋识别误差的问题，提出一种概率涡旋识别框架，通过采样流场实现并应用非线性诊断，显著提升了涡旋数量计算和寿命估计的准确性并实现不确定性量化。
2024-09-21 math.DS physics.ao-ph physics.flu-dyn
Structure-preserving stochastic parameterization of a barotropic coupled ocean-atmosphere model with Ornstein--Uhlenbeck noise
University of Hamburg（汉堡大学）；Max Planck Institute for Meteorology（马克斯·普朗克气象研究所）
本文首次将随机对流由Lie传输框架应用于简化耦合海洋-大气系统，通过随机拉格朗日动力学假设推导出随机流体方程，保持几何结构，并用Ornstein-Uhlenbeck噪声替代白噪声，提升预测性能。
2026-03-16 physics.ao-ph physics.flu-dyn
AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Korea Research Institute of Ships and Ocean Engineering（韩国船舶与海洋工程研究院）；Narnia Labs（纳尼亚实验室）
本文面向WEC实时波高预测，提出融合LSTM与深度集成并进行不确定性校准的可靠模型，在韩国OWC-WEC数据上实现R2>0.9且不确定性质量提升超50%。
2025-01-05 cs.CE cs.LG eess.SP
Enhancing Near Real Time AI-NWP Hurricane Forecasts: Improving Explainability and Performance Through Physics-Based Models and Land Surface Feedback
该研究通过 Hurricane WRF 模拟揭示陆面土壤湿度对飓风路径的显著影响，指出当前 AI-NWP 模型因仅考虑大气而存在局限，并提出纳入陆面相互作用可提升预报准确性与可解释性。
2025-02-03 physics.ao-ph physics.geo-ph
Uncertainty quantification for data-driven weather models
本文旨在系统比较不确定性量化方法，为确定性数据驱动天气模型 Pangu-Weather 生成概率预报。通过扰动初始条件生成集合及事后统计与机器学习方法，实验表明该概率预报在欧洲中期预报中优于传统物理集合模型（5天预报时效内）。
2025-04-01 physics.ao-ph stat.AP stat.ML
The Role of Deep Mesoscale Eddies in Ensemble Forecast Performance
Graduate School of Oceanography, University of Rhode Island（罗德岛大学海洋研究生院）；Ocean Sciences Division, Naval Research Laboratory（海军研究实验室海洋科学部）
研究揭示深层海洋动力学对集合预报性能的影响，通过对比最佳与最差预报成员，发现深层涡结构对表层预测至关重要，需整合深层观测以提升预测精度。
2026-04-20 physics.ao-ph physics.comp-ph physics.data-an
Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction
University of Chicago（芝加哥大学）
针对AI概率天气预报校准不足（尤其是极端事件），提出使用保形预测方法，无需分布假设即可数学保证覆盖，应用于三个全球模型（GenCast、NeuralGCM、AIFS-ENS）的温度和降水预报，实现校准不确定性而不牺牲其他概率指标。
2026-06-19 physics.ao-ph stat.AP stat.ML
Impact of an Ensemble of Ocean Data Assimilations in ECMWF's next generation ocean reanalysis system
本文提出利用海洋短期预报集合以混合方式改进背景误差协方差矩阵，显著降低背景误差，并将用于 ECMWF 下一代海洋再分析系统 ORAS6。
2024-07-05 physics.ao-ph
Thermal convection, ensemble weather forecasting and distributed chaos
直接数值模拟的结果表明，在水平层和半球上的强烈热对流可以用分布混沌方法描述。为此目的，涡度和螺旋度占主导地位的分布混沌被认为是。还分析了天气研究和预报模式（包括湿对流和科里奥利效应）和海洋-大气耦合中尺度预报系统的数值模拟结果，以证明这种方法对大气过程的适用性。本文还讨论了美国东海岸和西北太平洋地区冬季风暴的集合预报以及对美国中部11个中纬度对流个例的多尺度风暴集合预报的模拟试验结果。
2019-02-21 physics.ao-ph physics.flu-dyn
Tropical transition of Hurricane Chris (2012) over the North Atlantic Ocean: A multi-scale investigation of predictability
从非热带起源演变而来的热带气旋可能对预测构成特殊挑战，因为它们往往出现在多尺度大气过程级联的末尾。气候研究表明，“热带过渡”（TT）路径在气旋生成中起着重要作用，特别是在北大西洋。在这里，我们使用业务欧洲中期天气预报中心集合预测调查北大西洋飓风克里斯（2012年）的TT，其形成之前合并的两个位渦（PV）最大值，最终导致风暴诱导PV流光。主要目标是阐明控制气旋生成和随后的TT的可预测性的动力学和热力学过程。应用动态时间规整来识别与分析轨道相似的总体轨道。这种技术允许在开发中进行小的时间和空间转移。克里斯前气旋的形成是由那些预测两个PV最大值合并的成员预测的。风暴相对于PV拖缆的位置决定了克里斯之前的气旋是否遵循TT路径。过渡风暴位于高等效位温的有利区域内，这是由于PV拖缆气旋卷起下方的温暖隔离造成的。连续集合预报的系统调查表明，预报的改进与特定事件有关，如PV合并。本案例说明了如何一种新的组合欧拉和拉格朗日集合预测分析工具，可以推断出可预测性的突然变化的物理原因。
2018-11-29 physics.ao-ph
Uncertainty Quantification in Forecast Comparisons
University of Wuppertal（伍珀塔尔大学）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）；Goethe University Frankfurt, Faculty of Economics and Business（法兰克福歌德大学经济与商业学院）；Marburg University, Department of Mathematics and Computer Science（马尔堡大学数学与计算机系）
针对预测评估中多维比较的不确定性量化缺失，提出同时置信带方法，适用于多种预测类型，并验证其有效性及实际应用价值。
2026-10-02 econ.EM physics.ao-ph stat.ME
Wind and Wave Extremes over the World Oceans from Very Large Ensembles
海洋风速和显着的波高的全球回报值估计从非常大的聚集存档集合预报在+240小时的提前时间。较长的提前期确保了预测代表了从模型气候中独立得出的结果。与再分析的ERA-Interim相比，该集合对风速和显着波高都产生了更高的回报估计。由于数据集的大小很大，置信区间要紧得多。这个周期（9年）足够短，即使在气候变化的情况下也可以认为是静止的。此外，合奏是足够大的非参数100年的回报估计从顺序统计。这些直接返回估计值与热带气旋以外地区的极端值估计值相比很好。像任何使用模拟场的方法一样，它对数值模式中的尾部偏差很敏感，但我们发现，在热带气旋以外的地区，这种偏差是中等的。
2014-07-21 physics.ao-ph
New links between invariant dynamical structures and uncertainty quantification
该研究提出一种适用于输运模型溯源性能评估的新型不确定性度量，揭示其在观测邻域内与模型不变动力结构的关联，并通过2021年东地中海溢油事件验证了该度量在海洋数据集性能量化中的应用。
2024-01-26 cond-mat.stat-mech math.DS physics.ao-ph
CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification
Florida International University（佛罗里达国际大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Hurricane Research Division, National Oceanic and Atmospheric Administration（国家海洋和大气管理局飓风研究 division）
本文提出条件扩散模型CoDiCast，通过以近期观测为条件的反向去噪过程生成全球天气预报，并以重复随机采样实现集合预报和不确定性量化，在ERA5数据上训练后以较低计算成本取得优于现有数据驱动方法的精度。
2025-05-02 cs.LG physics.ao-ph
Volador 1.0: A Data-Driven Air-Sea Full-Coupling Regional Forecast Model with Submesoscale-Permitting Based on MOE-Swin-Transformer Framework
South China Sea Institute of Oceanology, Chinese Academy of Sciences（中国科学院南海海洋研究所）；China University of Petroleum (East China)（中国石油大学（华东））
提出基于MOE-Swin-Transformer框架的亚中尺度分辨数据驱动海气全耦合区域预报模型Volador 1.0，通过潜空间交互和快慢双分支架构，在南海温度、盐度和海面高度预报中达到或优于再分析数据和区域数值模型，并成功捕捉亚中尺度过程。
2026-05-21 physics.ao-ph
Statistical and machine learning ensemble modelling to forecast sea surface temperature
University of Bonn（波恩大学）；IBM Research（IBM研究院）
现场观测和遥感观测有可能促进海洋学数据驱动的预报模式。开发了一套机器学习模型，包括回归，决策树和深度学习方法来估计海表温度（SST）。训练数据包括来自气象公司的卫星SST和大气数据。模型的准确性和计算复杂性进行了评估。根据观测结果和欧洲中等天气预报中心最先进的物理模型评估了预测技能。结果表明，通过将自动化特征工程与机器学习方法相结合，可以实现与现有最先进技术相当的准确性。模型捕捉了数据中的季节性模式，并定性地再现了大气强迫驱动的短期变化。此外，它还表明，基于机器学习的方法可用作海洋变量的可移动预测工具-该方法的数据驱动性质自然与自动部署框架相结合，其中模型部署由数据而不是用户参数化和专门知识指导。推理的低计算成本使得该方法对于基于边缘的计算特别有吸引力，其中预报模式可以部署在海洋环境中的低功率设备上。
2020-04-05 cs.LG physics.ao-ph
Accurate and Efficient Hybrid-Ensemble Atmospheric Data Assimilation in Latent Space with Uncertainty Quantification
Department of Earth and Environmental Engineering, School of Engineering and Applied Sciences, Climate School, Columbia University（地球与环境工程系，工程与应用科学学院，气候学院，哥伦比亚大学）；Learning the Earth with Artificial Intelligence and Physics (LEAP) Center, Columbia University（人工智能与物理学习地球中心，哥伦比亚大学）；Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）；The Chinese University of Hong Kong, Hong Kong, China（香港中文大学，香港，中国）；Department of Computer Science and Technology, Tsinghua University, Beijing, China（计算机科学与技术系，清华大学，北京，中国）
本文提出HLOBA方法，在潜在空间中实现高效准确的大气数据同化，结合贝叶斯更新与误差去相关性，提升预测与再分析能力。
2026-03-04 cs.LG physics.ao-ph
North Atlantic thermohaline circulation predictability in a coupled ocean-atmosphere model
建立了GFDL耦合海气环流模式模拟的北大西洋温盐环流（THC）变率的可预报性集合试验。该集合由相同的海洋初始条件下的模式大气随机选择的模式气候。这个实验设计是基于分离的时间尺度存在于模型中，这激发了这样的假设，即从这些集合推导出的可预测性提供了一个上限模型的THC的可预测性。气候学是从一个多世纪的模式集成，其THC的变化有权力集中在40-60年的时间尺度。一个线性随机的角度来看，一般是一致的合奏统计。线性理论认为集合可预报性的自然量度是集合方差成为气候方差的主观定义分数（这里使用的是0.5）的时间。此外，感兴趣的是将模型的THC的快速去相关部分的可预测性与较长时间相关部分区分开。快速去相关部分显示了$\approx 1.5$年的可预测性。较慢的部分显示了$\approx 5-7$年的可预测性。线性随机框架提供了一个最佳的预测模型的THC的可变性和理解为什么最佳预测是无用的超过一个特定的限制的直接建设。
1995-03-10 ao-sci physics.ao-ph
SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models
Google Research（谷歌研究院）
本研究提出SEEDS方法，利用扩散模型仿真天气预报集合体以降低计算成本，既能匹配物理集合的统计特性，还能校正预报偏差、提升极端天气概率预报精度，该方法可拓展至气候建模的不确定性量化。
2023-10-08 cs.LG physics.ao-ph
Statistical Oceanography of Profiling Floats and Surface Drifters
Carnegie Mellon University（卡内基梅隆大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Imperial College London（帝国理工学院）
本文聚焦全球海洋观测系统中剖面浮标与表层漂流浮标数据的统计处理，综述近年时空模型，并详述欧拉与拉格朗日两种参考系的适用性，以应对物理海洋学中的统计挑战。
2026-10-08 physics.ao-ph physics.data-an physics.geo-ph
Scalable Uncertainty Quantification for Extreme Weather Forecasting via Empirical Neural Tangent Kernels
Center for AI Research（人工智能研究中心）；Department of Education（教育部门）；Makati Philippines（马卡蒂菲律宾）
本文提出基于神经正切核的不确定性量化方法，利用最后一层经验特征，通过方差崩溃机制和分解性能分析，实现无需重训练的极端天气自适应预测区间。
2026-06-03 cs.AI cs.CE cs.LG
