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
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
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
WeatherNext 3: Increasing resolution and performance of global weather models with raw observations
Google Research(谷歌研究院);Google DeepMind(谷歌DeepMind);Google(谷歌公司)
WeatherNext 3通过摄入低延迟地球静止卫星数据,实现每小时预报、与物理模型相当的分辨率及多源观测利用,解决了AI气象模型的分辨率与观测利用缺陷,提升了中期预报性能。
2026-09-04 cs.LG
ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting
INRIA(法国国家信息与自动化研究所);ECMWF(欧洲中期天气预报中心)
本文提出基于Transformer的确定性模型ArchesWeather和基于流匹配的生成式模型ArchesWeatherGen,实现高效概率天气预报,在WeatherBench上超越IFS ENS和NeuralGCM,并开源以推动研究普及。
2024-12-17 cs.LG
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
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
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
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
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
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
Efficient Baseline for Quantitative Precipitation Forecasting in Weather4cast 2023
Silesian University of Technology(西里西亚工业大学)
针对降水预报模型计算成本高的问题,本文提出一种极简 U-Net 架构作为 Weather4cast 2023 的高效基线,兼顾预报精度与计算资源的环境影响。
2023-11-30 cs.LG physics.ao-ph
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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