Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（工业与系统工程系，佐治亚理工学院）；AI Institute for Advances in Optimization（优化前沿人工智能研究所）
本文提出结合概率预报与高斯Copula的方法，用于高维环境下负荷、风能和太阳能的日提前预测与情景生成，通过整合天气协变量恢复时空相关性，提升可再生能源的概率预报可靠性。
2024-09-11 cs.AI cs.LG stat.AP
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
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 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
Numerical weather prediction or stochastic modeling: an objective criterion of choice for the global radiation forecasting
University of Corsica（科西嘉大学）；Hospital of Castelluccio（卡斯泰卢乔医院）；Galatasaray University（加拉塔萨雷大学）；University HouaryBoumédiène（胡阿里·布迈丁大学）
全球辐射预报存在并发展了许多方法。两种最流行的类型是数值天气预报（NWP）和使用随机方法的预测。我们建议计算一个参数，该参数部分地由互信息构建，互信息是测量两个变量相互依赖的量。这两个计算的目的是建立NWP和随机模型之间更相关的方法，关于当前的问题。
2014-01-22 cs.LG stat.AP
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
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
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
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
A Deep Learning Approach to Probabilistic Forecasting of Weather
Argonne National Laboratory（阿贡国家实验室）
我们讨论了一种基于两个链式机器学习步骤的概率预测方法：降维步骤，以保留预测量信息的方式将预测信息的降维映射学习到低维空间;以及密度估计步骤，使用概率机器学习规范化流技术来计算减少的预测因子和预测量的联合概率密度。然后将该联合密度重新归一化以产生条件预测分布。在该方法中，概率校准测试扮演着正则化过程的角色，防止在第二步中过度拟合，而从第一步开始的有效降维是预测清晰度的来源。我们使用一个22年的1小时的节奏时间序列的天气研究和预报（WRF）模拟数据的地面风网格上的方法进行验证。
2022-03-24 cs.LG physics.ao-ph stat.ML
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
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 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting
East China Normal University（华东师范大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出ARROW方法，通过多区间预测模型和强化学习调度器，解决全球天气预报中空间多尺度依赖和rollout策略平衡问题，实现最先进的预测性能。
2026-03-31 cs.AI cs.LG
Combining Weather Forecast Aggregation and State-Space Models for Adaptive Probabilistic Electricity Load Forecasting
Viking Conseil；MétéoFrance（法国气象局）
本文提出一种结合多气象预报聚合与状态空间模型的自适应概率负荷预测框架，通过GAM和GAMLSS提升不确定性量化，在法国数据上显著优于单一来源方法。
2026-09-16 stat.AP
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
Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models
LLNL（劳伦斯利弗莫尔国家实验室）
本文提出WAAPO框架，用于生成针对天气预测模型的隐蔽对抗扰动，揭示了AI预测模型在面对小扰动时的脆弱性。
2025-12-09 cs.LG
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；University of Science and Technology of China（中国科学技术大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对机器学习天气预报模型极端值预测偏差问题，提出非对称损失Exloss和免训练增强模块ExBooster，在保持整体预报精度的同时提升极端天气预测性能至SOTA水平。
2024-08-16 cs.AI cs.LG
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
WeatherMesh-3: Fast and accurate operational global weather forecasting
WindBorne Systems（温伯恩系统公司）
WeatherMesh-3是一种基于Transformer的业务化全球天气预报系统，通过潜在空间展开和模块化架构，在单个消费级GPU上实现0.25度分辨率14天预报，较传统NWP提速超10万倍，RMSE最多降低37.7%，推动天气预报普及。
2025-03-28 cs.AI cs.LG
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
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
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
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
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
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
CRPS-LAM: Probabilistic Regional Weather Forecasting with Continuous Ranked Probability Score
Linköping University（林雪平大学）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；SMHI（瑞典气象和水文研究所）
本文提出CRPS-LAM，一种结合CNN和GNN的混合架构，用于高效准确的区域天气预测，通过连续排名概率评分目标实现快速训练和采样，相比扩散模型基线提速约39倍。
2026-06-28 cs.LG
A Variational U-Net for Weather Forecasting
从大气数据中发现模式和见解不仅可以实现更准确的天气预测，而且还可以提供有价值的信息来帮助应对气候变化。Weather 4cast是一项公开竞赛，旨在评估机器学习算法预测未来大气状态的能力。在这里，我们描述了Weather 4cast的第三位解决方案。我们提出了一种新的变分U-网，它结合了变分自动编码器的能力，考虑数据的概率性质与U-网的能力，以恢复细粒度的细节。该解决方案是从我们的第四名解决方案到具有许多共同点的mixic 4cast 2020的演变，表明其适用于天气和交通等截然不同的领域。
2021-11-05 cs.LG
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
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
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
Localized solar power prediction based on weather data from local history and global forecasts
Carnegie Mellon University（卡内基梅隆大学）
本文提出利用时间序列模型结合外生输入，结合本地历史天气和全球预报数据，实现18小时提前预测，准确率达约80%。
2018-08-27 cs.SY eess.SY math.OC
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
