Improving probabilistic weather forecasts using seasonally varying calibration parameters
我们发现，概率天气预报的网站特定的温度可以显着提高使用季节性变化，而不是恒定的校准参数。
2004-02-05 physics.ao-ph
Skill and reliability of seasonal forecasts for the Chinese energy sector
利用GloSea 5季节预报系统，对我国冬、夏季气温、风速和辐射度的预报技术和可靠性进行了评估。这种预测技能对于今后为能源部门发展季节性气候服务十分重要，可以更好地估计未来的需求和可再生电力供应。我们发现，虽然总体上直接模型输出的技能是不完整的，但可以确定能源部门感兴趣的一些高技能区域。特别是对南海沿岸的冬季平均风速进行了很好的预报，并与厄尔尼诺-南方涛动的预报相结合。这些信息可以改善海上风力发电的季节性估计。同样，冬季辐照度的预测有很好的技巧，在中国中东部，可能用于太阳能发电估计。中国大部分地区在夏季气温方面表现出了技巧，这源于上升趋势。然而，北京周边地区即使在没有趋势的情况下也保留了这种技能。这种温度技巧可能有助于管理夏季能源需求。虽然在未来开发季节性气候服务时需要考虑我们研究结果的优势和局限性，但中国此类服务的发展前景是光明的。
2018-06-23 physics.ao-ph physics.data-an
Global Forty-Years Validation of Seasonal Precipitation Forecasts: Assessing El Niño-Driven Skill
在1961-2000年的40年期间，对全球范围内的季节性降水预报技能进行了评估-逐网格点评估。为此，ENSEMBLES多模型后报被认为是。虽然可预测性随地区、季节和提前时间而变化，但结果表明：1）重要的技能主要位于热带地区-占陆地总面积的20%至40%-，2）总体而言，SON（MAM）是最熟练（较少）的季节，3）可预测性在一到四个月的提前时间内不会明显下降-特别是在南美洲北部和马来群岛，这似乎是世界上最熟练的地区。对遥相关的分析表明，大多数技术熟练的地区与厄尔尼诺现象表现出显着的遥相关。此外，模型再现类似的遥相关模式，观察到的，特别是在SON -在热带地区的空间相关性约为0.6-。此外，这些相关性在熟练领域系统性地更高。我们的研究结果表明，发现的技能可能在很大程度上取决于模型正确再现观测到的厄尔尼诺遥相关的能力，即，模式对厄尔尼诺遥相关的模拟越好，其性能越高。
2013-09-18 physics.ao-ph
A New Framework for the Assessment and Calibration of Medium Range Ensemble Temperature Forecasts
我们提出了一个新的框架，中期集合温度预报的评估和校准。该方法是基于最大化的温度分布的一个简单的参数模型的可能性，并导致一些新的见解的可预测性的不确定性。
2003-08-14 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
Skill of Long-Range Forecasts of Ocean Wave Spectra from the Navy ESPC Version 2 System
Naval Research Laboratory（海军研究实验室）
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
From trends to optimized forecasts: Quantifying the skill and advancing the utility of dynamics-based early warnings for tipping events
University of Exeter（埃克塞特大学）
本文探讨并扩展了受迫非线性系统中临界转变预警的技巧与实用性，强调将基于稳定性趋势的预警转化为高技巧预测的挑战，并提出量化行动后果、有限时间预测及外推假设等关键要点，以提升预测性能。
2026-10-02 math.DS nlin.CD physics.ao-ph
A new paradigm for medium-range severe weather forecasts: probabilistic random forest-based predictions
灾害性天气和模拟灾害性天气环境的历史观测（即，特征）结合用于训练和测试随机森林（RF）机器学习（ML）模型，以概率性地预报4- 8天的灾害性天气。RF接受了9年GEFS/R和灾害性天气报告的培训，以建立统计关系。特征工程进行了简要的探讨，以研究其他方法收集周围的观测事件的功能，包括简化功能，使用空间平均和增加的GEFS/R合奏大小与时间滞后。经过验证的RF模型使用来自GEFSv 12集合的约1.5年的实时预报输出进行测试，并与风暴预测中心（SPC）的专家人工生成的展望一起进行评估。基于RF的预报和SPC展望在第4天和第5天的气候学方面都很熟练，此后技能下降。基于RF的预报表现出低估灾害性天气事件的趋势，但它们往往是在较低的概率阈值校准。在RF训练过程中，空间平均预测因子允许先前的热力学和运动学环境生成熟练的预测，而时间滞后的作用是扩大预测区域，提高分辨率，但降低客观技能。结果突出了ML生成的产品，以帮助SPC预测业务到中期范围的实用程序。
2022-08-03 physics.ao-ph
Multi-model Cross Pollination in Time
复杂模型的预测技能在模型状态空间中通常是不一致的;例如，在天气预报模型中，模型的技能在人口稠密的感兴趣区域中可能比在地球的“偏远”区域中更高。给定模型的集合，使用时间上的交叉授粉方法的多模型预测系统可以被概括为利用其中一些模型系统地产生对模型状态的一些分量的更准确的预测的实例。这一概括的陈述，然后成功地证明了在一个中等的~40维的非线性动力系统所建议的洛伦兹。在这个演示中，使用了四个不完美的模式，每一个都具有类似的全球预测技能。未来的应用在天气预报和经济预测进行了讨论。该演示建立了交叉授粉预测轨迹，以丰富的模拟的集合，预测是建立在可以产生一个新的预测系统，具有显着更多的技能比原来的多模型预测系统。
2016-01-07 physics.ao-ph physics.data-an stat.AP
Systematic assessment of the effects of space averaging and time averaging on weather forecast skill
直觉上，如果预测一周的平均天气而不是一天的平均天气，并且对于不同的空间平均区域，人们会期望更熟练的预测。然而，很少有系统的研究平均和预测技巧与现代预测，因此，它是不清楚有多少改善预测性能产生通过平均。在这里，我们提出了一个直接调查的平均效应，业务数值天气预报的数据的基础上。分析数据的降水量和地面温度，提前时间约为1至7天，时间和空间平均直径分别为1至7天和100至4500公里。对于不同的地理位置，时间或空间平均的影响可能不同，虽然降水量没有明显的地理模式，但温度有明显的空间模式。对于温度，一般来说，时间平均在海岸线附近最有效，在陆地上也有效，在海洋上最不有效。根据全球所有地点的情况，时间平均法的效果不如预期。为了帮助理解为什么时间平均有时可能是最低限度的有效性，一个随机模型进行分析，作为一个合成的天气时间序列，和解析公式的解相关时间。实际上，虽然时间平均产生视觉上更平滑的时间序列，但它不一定导致时间序列的可预测性的实质性增加。
2022-07-17 physics.ao-ph stat.AP
Moment based methods for ensemble assessment and calibration
我们描述了各种基于矩的合奏解释模型的建设概率温度预报合奏。我们将这些方法应用于一年的中期集合预报，并进行了样本内和样本外检验。我们的主要结论是，来自集合平均使用回归的概率预测是一样好的集合平均和集合传播使用更复杂的校准算法的基础上。对此的解释似乎是，预测不确定性的可变性的可预测部分只是总预测不确定性的一小部分。建议集合温度预报的用户，在获得进一步的证据之前，忽略集合传播，仅根据集合平均值建立概率预报。
2003-09-08 physics.ao-ph
Skillful high-resolution weather forecasting independent of physical models
Microsoft Corporation（微软公司）；University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
提出ObsCast系统，仅使用观测数据训练，无需数值天气预报数据，实现短期高分辨率区域预报，性能优于传统NWP。
2026-05-27 cs.LG physics.ao-ph
Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks
Google Research（谷歌研究院）
几个世纪以来，天气预报问题一直受到科学研究，因为它对人类生活、交通、粮食生产和能源管理等方面有很大影响。目前的业务预报模型是基于物理学，使用超级计算机模拟大气，提前几小时和几天进行预报。更好的基于物理的预测需要改进模型本身，这可能是一个重大的科学挑战，以及提高基本分辨率，这可能是计算上的限制。基于神经网络的一类新兴天气模型代表了天气预报的范式转变：模型从数据中学习所需的转换，而不是依赖于手工编码的物理学，并且计算效率高。然而，对于神经模型来说，每增加一个小时的前置时间都会带来巨大的挑战，因为它需要捕捉更大的空间背景，并增加预测的不确定性。在这项工作中，我们提出了一个神经网络，是能够大规模的降水预报提前12小时，从相同的大气状态，该模型实现了更大的技能比国家的最先进的基于物理的模型HRRR和HREF，目前在美国大陆。可解释性分析加强了观察，模型学习模仿先进的物理原理。这些结果代表了一个实质性的一步，建立一个新的模式，有效的预测与神经网络。
2021-11-14 cs.LG physics.ao-ph
Advancing Subseasonal Forecasting with Machine Learning
Harvard College（哈佛学院）；University of Toronto（多伦多大学）；Instituto de Matemática Pura e Aplicada（数学与应用数学研究所）；Massachusetts Institute of Technology（麻省理工学院）；Atmospheric and Environmental Research（大气与环境研究）；Microsoft Corporation（微软公司）；Rhiza Research（Rhiza研究）；Microsoft Research New England（微软新英格兰研究院）；European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。
2026-09-07 cs.LG physics.ao-ph stat.ML
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
Skill of global raw and postprocessed ensemble predictions of rainfall over northern tropical Africa
累积降水量预报对于热带非洲北部以农业为主的社会具有很高的社会经济重要性。在这项研究中，我们分析了9个业务的全球集合预报系统（EPS）相对于基于气候学的预测1至5天的累积降水的基础上，2007年至2014年的季风季节在热带非洲北部的三个地区的性能。为了评估整个空间尺度的原始集合预报的全部潜力，我们采用了最先进的统计后处理方法，形式为贝叶斯模型平均（BMA）和包围模型输出统计（EMOS），并验证站和空间聚合，基于卫星的网格观测。原始集合预报未经校准，不可靠，相对于气候学，独立于区域，积累时间，季风季节和集合表现不佳。原始集合预报和气候学预报之间的差异很大，部分原因是对低降水量的预测不佳。BMA和EMOS后处理预报是校准的，可靠的，并大大改善了原始集合，但-有点令人不安的是-通常不会优于气候学。2007-2014年期间，大多数环境影响预测都略有改善，但总体而言，与气候学相比，几乎没有增加值。我们怀疑，对流的参数化是一个潜在的原因，清醒地缺乏集合预报技巧，在一个地区占主导地位的中尺度对流系统。
2017-08-15 physics.ao-ph stat.AP
Skillful Subseasonal-to-Seasonal Forecasting of Extreme Events with a Multi-Sphere Coupled Probabilistic Model
Tongji University（同济大学）；Fudan University（复旦大学）
TianXing-S2S通过多球体耦合概率模型实现极端事件的亚季至季预测，优于现有系统并具备长期稳定预报能力。
2025-12-14 cs.AI cs.LG physics.ao-ph
Probabilistic forecasts of temperature: measuring the utility of the ensemble spread
集合天气预报的传播包含关于未来可能的天气情景的传播的信息。但是它包含了多少信息，这些信息在预测未来温度的可能性方面有多大用处？对这个问题的一个传统答案是计算传播-技能相关性。我们讨论了传播技能相关性以及它如何与一些简单的校准方案相互作用。然后，我们指出为什么它不是，事实上，一个有用的措施，在合奏传播的信息量，并讨论了一些其他措施，更有用的。
2004-10-06 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
Comparing Ocean Forecasts Driven with Machine Learning-based and Physics-based Atmospheric Forcings
Australian Bureau of Meteorology（澳大利亚气象局）
本文比较了基于机器学习和物理模型的大气强迫对海洋预报能力的影响，发现机器学习模型在预测精度和计算效率上具有优势。
2026-04-09 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
A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill
Tsinghua University（清华大学）；China Meteorological Administration（中国气象局）
提出物理引导的级联校正模型PCC-MJO，作为通用后处理器校正动力模型MJO预报，将技巧预报范围延长2-8天，缓解海洋大陆屏障，并学习物理一致特征。
2025-10-20 cs.AI cs.LG physics.ao-ph
Evaluating the Predictability of Selected Weather Extremes with Aurora, an AI Weather Forecast Model
Arizona State University（亚利桑那州立大学）；Seoul National University（首尔国立大学）；Columbia University（哥伦比亚大学）
Aurora模型在短期极端天气预报中表现优异，但在亚季节性预报中因动力结构丧失而受限。
2026-03-06 physics.ao-ph
A Bayesian Machine Learning Algorithm for Predicting ENSO Using Short Observational Time Series
提出了一种简单有效的贝叶斯机器学习（Bayesian Machine Learning，BML）训练和预报算法，该算法仅利用20年的短期观测时间序列和近似先验模型，用于预测Niño 3海表温度（SST）指数。BML预测显著优于基于模型的集合预测和标准机器学习预测。即使使用一个简单的前馈神经网络，BML预测也可以预测9.5个月。值得注意的是，BML预测在很大程度上克服了春季可预测性障碍：从春季开始的预测在近10个月内保持熟练。BML算法还可以有效地利用多尺度特征：使用SST、温跃层和风突发的SST的BML预报比仅使用SST的BML预报提高至少2个月。最后，BML算法还降低了神经网络的预测不确定性，对输入扰动具有鲁棒性。
2021-06-28 physics.ao-ph
On the role of Initial Error Growth in the Skill of Extended Range Prediction of Madden-Julian Oscillation (MJO)
在统一的框架下，亚季节到季节尺度变化的无缝预报方法已经成功地用于多个气象尺度的预报。在这个范例中，它是假设，在动力预报中的初始误差的减少将有助于减少预测误差在延长的前置时间长达2-3周。这是测试在一个版本的业务扩展范围预测的基础上，气候预报系统版本2（CFSv 2）开发的印度热带气象研究所（IITM），浦那。评估预测技能，以了解初始误差对MJO预测技能的作用。定义了一组最低和最高初始日误差（LIDE和HIDE）的情况下，这些类别的误差增长进行了分析，为强MJO事件在5月至9月（MJJAS）。使用Wheeler &Hendon（2004）介绍的著名多变量MJO指数对MJO预测初始误差进行分类和定义。二元RMSE和误差增长演化（每个连续提前日的指数误差的一阶差）相对于扩展范围提前期的概率分布被用作该分析中的度量。结果表明，初始误差在7-10天的提前期后对模型的技能没有任何影响，并且两组误差的误差增长保持相同。对于两种分类情况，可以看到相同阶的快速误差增长演化。进一步研究了这些误差的物理成因，发现这些误差主要来源于西太平洋和印度洋的初相事件。OLR和纬向风的空间发布也证实了这一点。该研究强调了更好地代表MJO相位的重要性，特别是在模式中的印度洋上，以改善MJO预测，而不是主要关注初始条件
2021-05-11 physics.ao-ph physics.data-an physics.geo-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
Unbiased calculation, evaluation, and calibration of ensemble forecast anomalies
针对集合预报异常计算导致的统计不一致，本文提出成员独立气候态与无偏估计/校准方法，使离散度—误差比无偏并优化概率预报技巧。
2025-06-10 physics.ao-ph
Improving ensemble extreme precipitation forecasts using generative artificial intelligence
NSF National Center for Atmospheric Research（国家大气研究中心）
本研究提出一种结合3-D ViT与LDM的生成式AI集合后处理方法，用于扩大GEFS降水集合预报，有效提升了美国本土极端降水事件的概率预报技巧与可靠性。
2024-07-05 cs.AI 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
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；University of Science and Technology of China（中国科学技术大学）；Shanghai Jiao Tong University（上海交通大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；The Institute of Atmospheric Physics, Chinese Academy of Sciences（中国科学院大气物理研究所）；Shanghai Meteorological Bureau（上海市气象局）
FengWu通过多模态和多任务框架提升全球中期天气预报能力，首次实现10.75天提前期的高精度预测。
2023-04-06 cs.AI cs.LG physics.ao-ph
Calibrating the CAMS European multi-model air quality forecasts for regional air pollution monitoring
CAMS空气质量多模型预测已根据利古里亚地区（意大利西北部）区域监测网在2019年和2020年收集的观测结果进行了PM10，PM2.5，O3，NO2和CO的评估和校准。在本工作中使用的校准策略有其根源，在完善的Ensemble模型输出统计（EMOS），通过该原始集合预报可以准确地转化为预测的概率密度函数，同时校正偏差和分散误差。该战略还提供了一个校准的预测模型的不确定性。作为我们的分析结果，污染物的实时观测的关键作用被摄入的校准策略显然出现，特别是在较短的前瞻预报小时。我们的动态校准策略被证明是优于其类似的实时数据不考虑在内。我们已经确定的最佳校准策略，使CAMS多模式预报系统更可靠比其他原始空气质量模式运行在更高的空间分辨率，利用更详细的信息，从库存排放。我们期望我们的研究对确定和建立可靠和经济的空气污染预警系统产生积极影响。
2022-01-31 physics.ao-ph
Increasing NWP Thunderstorm Predictability Using Ensemble Data and Machine Learning
该研究使用SALAMA 1D神经网络结合ICON-D2-EPS集合数据，证明集合平均可显著提升雷暴预报技巧，并通过解析相关性解释其增益。
2025-02-18 cs.LG physics.ao-ph
Generative Modeling of High-resolution Global Precipitation Forecasts
UC Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
预测全球降水模式，特别是极端降水事件，对于准备和适应气候变化至关重要。使用传统的物理模型进行准确的高分辨率降水预报仍然是业务天气预报的一个主要挑战，因为它们会产生大量的计算成本，并努力实现足够的预报技能。最近，基于深度学习的模型在缩小与数值天气预报（NWP）模型在降水预报技能方面的差距方面表现出了巨大的潜力，为降水建模开辟了令人兴奋的新途径。然而，对于这些深度学习模型来说，完全解决降水现象的细尺度结构并充分表征长尾降水分布的极端情况是具有挑战性的。在这项工作中，我们对当前最先进的深度学习沉淀模型（FourCastNet）的架构和训练过程进行了几项改进，使用了一种新的生成对抗网络（GAN），以更好地捕捉精细尺度和极端。我们的改进在捕捉全球降水的极端波动方面取得了优异的性能，同时在1- 2天的提前期预报技能方面与最先进的NWP模式相当。总之，这些改进在全球降水预报方面开创了一个新的先进水平。
2022-10-22 cs.AI cs.CV cs.LG
Atmospheric Predictability Beyond 30 Days with Machine Learning
University of Washington（华盛顿大学）；Air Force Institute of Technology（空军技术研究院）
通过机器学习模型GraphCast优化初始条件，将确定性天气预报的时效从两周延长至30天以上，平均误差降低86%。
2026-05-31 cs.LG 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
AIFS -- ECMWF's data-driven forecasting system
本文介绍ECMWF开发的AIFS数据驱动预报系统，其基于图神经网络和滑动窗口Transformer，在ERA5及业务NWP分析场上训练，并在高空变量、地面天气和热带气旋路径预报中展现出高技巧。
2024-08-07 physics.ao-ph
GraphCast Skill and Systematic Biases in Indian Summer Monsoon Forecasts: Evaluation Against ERA5 and IMERG
Western Kentucky University（西肯塔基大学）；Ashoka University（阿肖卡大学）
该研究评估GraphCast对印度夏季风预测的保真度，将其与ERA5再分析和IMERG观测对比，分析不同提前期性能，发现GraphCast在短提前期能再现季风降雨模式，但存在湿偏差、降雨方差抑制等问题，为下一代AI天气模型提供关键诊断。
2026-11-03 physics.ao-ph
Hybrid weather prediction using spectral nudging toward machine-learning forecasts
European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
本文研究了一种混合数值天气预测方法，通过将ECMWF集成预测系统谱趋近于机器学习天气模型的预测，以提升大尺度预报能力，同时保持物理模型的小尺度行为。
2026-04-24 physics.ao-ph
HealDA: Highlighting the importance of initial errors in end-to-end AI weather forecasts
NVIDIA Corporation（英伟达公司）；NOAA（美国国家海洋和大气管理局）；MITRE Corporation（MITRE公司）
HealDA是一种基于机器学习的数据同化系统，通过卫星和传统观测数据直接生成大气状态，为端到端AI天气预报提供初始条件，展示了其在中短期预报中的有效性。
2026-05-07 physics.ao-ph
Deep Learning Based Forecasting of Indian Summer Monsoon Rainfall
准确的短期天气预报对各个部门都有重要意义。基于机器学习的方法，例如，深度学习在这个领域已经流行起来，现有的数值天气预报（NWP）模型在几天后仍然具有适度的技能。在这里，我们使用ConvLSTM网络来开发一个用于降水预测的深度学习模型。这个想法的关键是开发一个预测模型，该模型涉及基于卷积的特征选择，并结合基于梯度的学习算法在气象领域使用长期记忆。在使用输入数据之前，我们探索了各种技术来克服数据集的困难。我们遵循一种策略性的方法来处理缺失值，并讨论了模型的保真度，以捕捉现实的降水。模型分辨率为25 km。对提前2天预报的5年预报资料与相应的观测资料进行了比较，提前1天和提前2天预报的相关系数分别为0.67和0.42。这些模式表明，在西高止山脉和季风槽地区有较高的相关性（铅日1和2分别为0.8和0.6）。此外，基于技能分数、均方误差、相关系数和ROC曲线来评估模型性能。这项研究表明，所采用的深度学习方法仅基于单个降水变量，在短期内具有合理的技能。基于多变量的深度学习有可能匹配甚至更好地基于最先进的NWP模型的短期降水预报。
2021-08-13 physics.ao-ph
Global Evaluation of AI and NWP Precipitation Forecasts During Atmospheric River Events
University of Oklahoma（俄克拉荷马大学）；NSF AI Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography（美国国家科学基金会天气、气候与沿海海洋学可信人工智能研究人工智能研究所）；Brightband
本研究全球评估了AIWP与NWP模型在大气河事件中的降水预报，发现AIWP空间技能更优但强度偏差明显，并提供了可复现基准。
2026-10-06 cs.AI physics.ao-ph
Missing the Butterfly and Predicting the Past: Features or Bugs of Accurate AI Weather Models?
University of Chicago（芝加哥大学）；Nanjing University（南京大学）；New York University（纽约大学）
该研究针对AI气象预测模型，发现其预测精度源于训练数据粗粒化，回溯预测精度低于前向预测且缺失蝴蝶效应，减少粗粒化可提升物理性但降低精度，为相关理论与气候模拟提供新视角。
2026-08-27 cs.AI physics.ao-ph
What do large-scale patterns teach us about extreme precipitation over the Mediterranean at medium- and extended-range forecasts?
极端降水事件（EPEs）可能造成洪水和山体滑坡等破坏性后果，对社会和经济构成巨大威胁。提前很长时间预测这些事件可以帮助减轻负面影响。在这里，我们专注于EPEs在地中海，这是一个地区，经常受到这种危害。以前的工作确定了局部EPE和大规模大气流动模式之间的密切联系，影响了整个地中海的天气。我们分析了这些模式的预测技能在ECMWF扩展范围的预测和评估，如果这些模式可以用于间接预测的EPE，使用Brier技能得分。结果表明，ECMWF模式提供了熟练的预测地中海模式提前2周。此外，使用预测模式的间接可预测性的EPE优于参考分数高达约10天的交货时间为许多位置。特别是对于高地形位置或沿海地区，如土耳其西部，西巴尔干半岛，伊比利亚半岛和摩洛哥的部分地区，这一限制从11天延长到14天。这项研究表明，本地EPEs和大规模的模式在地中海之间的连接扩展模型的预测范围超过3天，在许多地方相比，预测的基础上预测降水。因此，这是有益的，使用预测的模式，而不是预测的降水在较长的前置时间的EPE预测。该模型的性能也从用户的角度进行了评估，显示的EPEs预测的基础上的模式增加了经济效益，在中期和长期的交货期。这种信息可以支持各种用户决策的更高信心，例如，农业部门和（再）保险公司。
2021-06-30 physics.ao-ph
Data-driven medium-range weather prediction with a Resnet pretrained on climate simulations: A new model for WeatherBench
数值天气预报传统上是基于大气的物理模型。然而，最近，深度学习的兴起引起了人们对纯粹数据驱动的中期天气预报的兴趣，首次研究探索了这种方法的可行性。为了加快这一领域的进展，定义了WeatherBench基准挑战。在这里，我们训练一个深度残差卷积神经网络（Resnet），以5.625度的分辨率预测未来5天的位势、温度和降水。为了避免过拟合和提高预测技巧，我们在对再分析数据进行微调之前，使用历史气候模式输出对模型进行预训练。由此产生的预报优于以前提交给WeatherBench，并在技能上与类似分辨率的物理基线相当。我们还分析了神经网络如何创建预测，并发现，除了一些例外，它与物理推理是兼容的。最后，我们进行缩放实验，以估计在更高的分辨率数据驱动的方法的潜在技能。
2020-11-18 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
WIND-Bench: A Benchmark Dataset for In-Situ Near-Surface Wind Speed Observations Across the Conterminous United States
NSF ASCEND Engine（美国国家科学基金会ASCEND引擎）；Strategic Energy Analysis Center, National Laboratory of the Rockies（落基山国家实验室战略能源分析中心）；Global Systems Laboratory, National Oceanic and Atmospheric Administration（美国国家海洋和大气管理局全球系统实验室）；Cooperative Institute for Research in the Atmosphere（大气合作研究所）
针对复杂地形近地表高风速预报不准的问题，构建了基于MADIS观测网络的WIND-Bench基准数据集，通过质量控制区分故障与高风，以标准化评估ML和NWP模型，加速高技巧风速预报开发。
2026-09-14 physics.ao-ph
Comparing the ensemble mean and the ensemble standard deviation as inputs for probabilistic medium-range temperature forecasts
我们提出以下问题：集合平均值和集合标准差对特定地点概率温度预报技能的相对贡献是什么？使用集合预报来预测温度的大部分益处是来自集合平均值还是来自集合扩散，还是两者的益处相等？答案是，两者中的一个比另一个更有用。
2003-10-13 physics.ao-ph
Entropic learning enables skilful forecasts of ENSO phase at up to two years lead time
本文提出基于元学习策略的eSPA集成模型，利用卫星观测数据预测ENSO相位，在避免过拟合和未来信息泄漏的前提下，以极低计算成本实现了长达24个月的样本外预测技巧，成功预报了多次厄尔尼诺与拉尼娜事件。
2025-04-01 physics.ao-ph physics.comp-ph
Suitable Measures for the Potential Operational Utility of AI NWP Rainfall Forecasts Over Africa
University of Oxford（牛津大学）；AfriClimate AI（非洲气候人工智能组织）；ECMWF（欧洲中期天气预报中心）；University of Witwatersrand（金山大学）
该研究比较了AI模型与物理NWP模型在非洲的降雨预报技能，发现AI模型在湿润地区优于IFS，中位改进约5%，且GraphCast与FGN技能相当，展示了校准AI预报的潜力。
2026-09-29 cs.LG physics.ao-ph stat.AP
Physical Scales Matter: The Role of Receptive Fields and Advection in Satellite-Based Thunderstorm Nowcasting with Convolutional Neural Networks
本研究首次在基于卫星的雷暴临近预报中验证平流信息神经网络，通过尺度论证解释并证明平流在长预报时间（2小时后）和高平流速度下能提升技能，强调物理尺度对ML预报模型设计的重要性。
2025-08-07 cs.LG physics.ao-ph
Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models
Microsoft（微软）；Department of Atmospheric Sciences, University of Washington（华盛顿大学大气科学系）；Microsoft Research（微软研究院）
我们提出了一个使用深度学习天气预测（DLWP）模型的集合预测系统，该模型递归地预测具有6小时时间分辨率的关键大气变量。该模型在立方体球体网格上使用卷积神经网络（CNN）来生成全球预测。该方法计算效率高，在单个GPU上只需3分钟即可生成320个成员的六周预测集，分辨率为1.4°。包围扩散主要是通过随机化CNN训练过程来产生的，以创建一组32个DLWP模型，这些模型具有略微不同的学习权重。虽然我们的DLWP模型没有预测降水，但它确实预测了总柱水蒸气，并给出了飓风厄玛的合理的4.5天确定性预测。除了模拟中纬度天气系统外，它还在一年的自由运行模拟中自发生成热带气旋。在全球范围内和两年的测试集平均，集合平均RMSE保持技能相对于气候超过两周，异常相关系数保持在0.6以上，通过六天。我们的主要应用程序是在提前两到六周的次季节到季节（S2 S）预测。目前的预报系统在S2 S时间尺度上预测一周或两周平均天气类型的技能较低。连续排序概率得分（CRPS）和排序概率技能得分（RPSS）表明，DLWP集合的性能仅略逊于欧洲中期天气预报中心（ECMWF）S2 S集合在陆地上的4周和5-6周的前置时间。在较短的前置时间，ECMWF合奏表现优于DLWP。
2021-02-09 cs.LG physics.ao-ph
Global Extreme Heat Forecasting Using Neural Weather Models
Google Research（谷歌研究院）；California Institute of Technology（加州理工学院）；University of Oklahoma（俄克拉荷马大学）
随着全球变暖，热浪的频率和严重程度预计将增加。改进预警系统将有助于减少相关的生命损失、野火、电力中断和农作物减产。在这项工作中，我们探索了在历史数据上训练的深度学习系统在短期，中期和亚季节时间尺度上预测极端高温的潜力。为此，我们训练了一组具有卷积架构的神经天气模型（NWM），以$\sim200~\mathrm{km}$分辨率和立方体球体提前1至28天预测全球地面温度异常。NWM使用ERA5再分析产品和一组候选损失函数进行训练，包括均方误差和针对极端的指数损失。我们发现，训练模型，以尽量减少定制的损失，强调极端导致显着的技能提高，在热浪预测任务，相比NWM训练的均方误差损失。这种改进在一般温度预测任务中几乎没有技能减少的情况下完成，并且可以通过迁移学习有效地实现，通过重新训练具有几个时期的自定义损失的NWM。此外，我们发现，使用对称指数损失减少了平滑的NWM预测与提前期。我们最好的NWM是能够跑赢持久性在回归意义上的所有前置时间和温度异常阈值考虑，并显示积极的回归技能相比，ECMWF季节性到季节性控制预测两周后。
2022-11-18 cs.LG physics.ao-ph
Hybrid ensemble forecasting combining physics-based and machine-learning predictions through spectral nudging
European Centre for Medium-Range Weather Forecasts (ECMWF)（欧洲中期天气预报中心）
本文提出通过频谱趋近结合基于物理和机器学习的预测方法，提升大尺度天气预测能力，并改善热带气旋路径预报。
2026-10-22 physics.ao-ph physics.comp-ph
DustNet: skillful neural network predictions of Saharan dust
University of Exeter（埃克塞特大学）；Kingston University（金斯顿大学）
针对大型天气模型计算昂贵且沙尘输入受限的问题，本文提出DustNet神经网络，在台式机上快速完成24小时AOD预测，并在多数网格上优于先进物理模型。
2024-06-17 cs.AI physics.ao-ph physics.data-an
