Making use of the information in ensemble weather forecasts: comparing the end to end and full statistical modelling approaches
Stephen Jewson
我们讨论了如何集合天气预报可以使用，并突出了两个特定的方法的优点和缺点。
We discuss how ensemble weather forecasts can be used, and highlight the advantages and disadvantages of two particular methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Weather forecasts, Weather derivatives, Black-Scholes, Feynmann-Kac and Fokker-Planck
本文研究了天气预报、天气导数、Black-Scholes方程、Feynmann-Kac理论和Fokker-Planck方程之间的关系。有一个有用的结果，但总的来说，我们提出的关系似乎比实际有用的更有趣。
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。
How does an AI Weather Model Learn to Forecast Extreme Weather?
探究AI气象模型SFNO如何学习极端天气，发现其对大气河流和热带气旋的预报信息在训练后期会丢失，并提出利用早期检查点信息改进预报的训练策略。
Multivariate post-processing of probabilistic sub-seasonal weather regime forecasts
本文针对北大西洋—欧洲地区概率性天气型预报存在的时间和幅度偏差，提出结合单变量集合模式输出统计与集合Copula耦合的两步后处理方法，将逐日天气型预报技巧时效延长至14.5天，并在多元预报质量上优于现有校准做法。
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。
Hybrid weather prediction using spectral nudging toward machine-learning forecasts
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。
"What is a realistic forecast?" Assessing data-driven weather forecasts, a journey from verification to falsification
本文针对数据驱动天气预报的“现实性”问题，提出功能、结构和物理三种现实性定义，并建立基于证伪的评估框架以补充传统验证方法。
Evaluating the Predictability of Selected Weather Extremes with Aurora, an AI Weather Forecast Model
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。
Forecast error diagnostics in neural weather models
本文利用ConvCastNet模型通过子区域松弛实验诊断神经天气预报误差，发现平流层和边界层对中期中纬度预报技巧改善至关重要，而热带影响可忽略，并提出结合误差敏感性分析指导模型改进。
AI-driven weather forecasts enable anticipated attribution of extreme events to human-made climate change
研究提出一种结合全球气候模型与深度学习天气预报的混合归因方法，实现了对极端天气事件提前归因于人为气候变化，成功预测了热浪、飓风和气旋等极端事件因气候变化而加剧的影响。
A new low-cost technique improves weather forecasts across the world
计算机生成的预测将地球表面划分为网格，每个网格现在约为伦敦大小的25%，每个网格预测一个值。如果天气在一个网格框内变化明显，那么对特定地点的预报不可避免地会失败。一个全新的统计后处理方法，使用集合预报作为输入，预计两个gridbox天气依赖的因素：在每个gridbox的变化程度，并在gridbox规模的偏见。在全球范围内，技能大大提高;例如，对于极端降雨，有用的预报提前5天。如果没有后处理，此限制小于1天。相对于历史预测的进步，这是一个突破性的进步。在校准过程中纳入的关键驱动因素是对气象的了解，并放弃了只使用当地数据的传统观念。相反，我们简单地认识到“阵雨就是阵雨，无论它们发生在世界各地”，这使得校准数据集的大小大幅增加。许多多方面的应用包括改进的山洪预警，对模型弱点的物理相关见解和全球逐点重新分析。
Leveraging deterministic weather forecasts for in-situ probabilistic temperature predictions via deep learning
提出一种神经网络方法，通过为多预报时效训练单一模型，从确定性数值天气预报生成概率预报，将CRPS降低15%并改善分布校准，无需模拟多轨迹即可为任意网格预报增加不确定性信息。
Windows of opportunity in subseasonal weather regime forecasting: A statistical-dynamical approach
本研究利用MJO和SPV位相信息并结合神经网络，提出统计-动力方法以改进三周提前期的欧洲天气型活动预报，较ECMWF提升2.9%的准确率，尤其改善了格陵兰阻塞和欧洲阻塞预报。
Verification of Operational Numerical Weather Prediction Model Forecasts of Precipitation Using Satellite Rainfall Estimates over Africa
降雨量是非洲监测和预测的一个重要变量，因为它对农业、粮食安全、气候相关疾病和公共卫生都有影响。数值天气模式（NWM）是这项工作的重要组成部分，因为它们具有完整的空间覆盖范围，高分辨率和预测未来的能力。在这项研究中，我们试图评估整个非洲降雨的短期降雨预报的时空技能。具体而言，欧洲中期天气预报中心和国家环境预测中心-全球预报系统的预测模型得到降雨量估计2.0和非洲降雨量气候学第2版的验证，这两个版本是卫星和实地观测的融合产品，通常用于分析非洲降雨量。我们发现，模式的降雨预报显示出良好的一致性与卫星降水观测的空间发布在非洲的季节时间尺度上的分布。评估指标显示，非洲大陆的空间和季节变化很大，包括与热带会聚区的位置和地形上降水量增加的密切联系。在一个星期的聚合时间的降雨量预测改善了日常的预测。
An update to ECMWF's machine-learned weather forecast model AIFS
本文报告了ECMWF机器学习天气预报模型AIFS的更新，通过引入物理一致性约束、更新训练计划和扩展变量集合，显著提升了降水预报和高空评分，并已全面业务化运行。
Evaluation of forecasts by a global data-driven weather model with and without probabilistic post-processing at Norwegian stations
本研究评估了盘古天气等全球数据驱动模型与NWP模型在挪威站点有无概率后处理的预报性能，发现其与ECMWF相当，后处理显著提升预报质量，证实了数据驱动模型的业务应用潜力。
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。
The rise of data-driven weather forecasting
本研究在业务化环境中首次将机器学习模型PanguWeather生成的预报与ECMWF IFS等传统NWP系统进行对比，发现ML预报在准确性和极端事件上表现相当，但存在平滑度增加和偏差漂移等缺陷，标志着依赖ML与再分析数据的新预报范式正在兴起。
Ensemble methods for neural network-based weather forecasts
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。
Verification of Space Weather Forecasts issued by the Met Office Space Weather Operations Centre
英国气象局空间天气运营中心成立于2014年，其部分职责是每日空间天气技术预报，以帮助英国建立对空间天气影响的适应能力;指导包括四天地磁风暴预报（GMSF）和X射线耀斑预报（XRFF）。对于预测者、用户、建模者和利益相关者来说，了解这些预测的优点和缺点至关重要;因此，必须根据最可靠的真实数据源进行验证。本研究包含使用GOES-15卫星数据的XRFF和使用GFZ亥姆霍兹中心的行星K指数（Kp）值的GMSF的验证结果。为了评估验证结果的价值，将其与参考预报进行比较是有帮助的，为此目的使用了滚动预报期间发生的频率。对19个月内12个月的滚动表现进行的分析表明，XRFF和GMSF都难以提供比参考更好的预测。然而，一个完整的19个月期间的相对运行特性和可靠性分析表明，虽然GMSF和XRFF具有歧视性的技能，事件往往是过度预测。
GenCast: Diffusion-based ensemble forecasting for medium-range weather
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。
VarteX: Enhancing Weather Forecast through Distributed Variable Representation
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。
Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion
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。
SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models
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。
Aardvark weather: end-to-end data-driven weather forecasting
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。
An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting
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。
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast
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。
Forecasting Global Weather with Graph Neural Networks
我们提出了一个数据驱动的方法，使用图神经网络预测全球天气。该系统学习将当前的3D大气状态向前推进六个小时，并将多个步骤链接在一起，以产生未来几天的熟练预测。基础模型基于ERA5的再分析数据或GFS的预测数据进行训练。Z500（地球位势高度）和T850（温度）等指标的测试性能比以前的数据驱动方法有所改进，至少在1度尺度和使用再分析初始条件进行评估时，与GFS和ECMWF的业务，全分辨率物理模型相当。我们还展示了将此数据驱动模型与GFS的实时运营预测相连接的结果。
Local Off-Grid Weather Forecasting with Multi-Modal Earth Observation Data
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。
Progress and Prospects in Weather and Climate Modelling
这篇受欢迎的文章提供了一个简短的总结，在天气和气候建模的进展和前景，为高中和本科大学生和早期职业研究人员的利益。虽然这不是一篇全面的科学文章，但这里提供的基本信息旨在向学生和研究人员介绍天气和气候建模的主题-它属于大气/海洋/气候/地球科学的广泛学科。本文简要总结了天气和气候建模的历史发展，进步，科学挑战和职业机会。
Continuous Ensemble Weather Forecasting with Diffusion models
针对扩散模型集成天气预报计算成本高、高时间分辨率下误差累积的问题，提出连续集成预报方法，可并行生成时间一致轨迹，还能结合自回归滚动实现任意精细分辨率预报，在全球天气预报中取得竞争性结果。
Skillful joint probabilistic weather forecasting from marginals
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。
GraphCast: Learning skillful medium-range global weather forecasting
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。
Improving Medium Range Severe Weather Prediction through Transformer Post-processing of AI Weather Forecasts
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。
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）。
MetMamba: Regional Weather Forecasting with Spatial-Temporal Mamba Model
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。
Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models
本研究利用GraphCast和FourCastNet两个AI气象模型，分析预报提前期对停电预测人员部署价值的影响，明确提前部署的优势及盈亏平衡可用性比率，还探讨了地表预测因子的技能提升与预测区间校准问题。
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。
Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System
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
Generating Probabilities From Numerical Weather Forecasts by Logistic Regression
Logistic模型作为一种工具，将数值天气预报系统（确定性和集合）的输出转换为二进制事件的概率预报。逻辑模型通过将对数优势比等于输入的线性组合来获得。与任何统计模型一样，如果输入的数量与预测实例的数量相当，则逻辑模型将遭受过拟合。计算方法，以避免过度拟合正则化进行了讨论，并提出了有效的方法模型评估和选择。一个logit版本的所谓的套索，这本来是一个线性工具，进行了讨论。在套索模型中，不太重要的输入被识别和丢弃，从而提供了一个有效的和自动的模型简化过程。出于这个原因，套索模型对于诊断目的特别有吸引力。
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。
Diffusion Models for High-Resolution Solar Forecasts
预测未来的天气和气候本身就很困难。机器学习提供了新的方法来提高预测的准确性和计算效率，但目前的方法无法准确地建模高维预测中的不确定性。分数为基础的扩散模型提供了一种新的方法来模拟概率分布在许多因变量，在这项工作中，我们展示了他们如何提供概率预测的天气和气候变量在前所未有的分辨率，速度和精度。我们将该技术应用于一天前的太阳辐照度预测生成许多样本的扩散模型训练超分辨率粗分辨率数值天气预报的高分辨率气象卫星观测。
Revealing the statistics of extreme events hidden in short weather forecast data
极端天气事件具有重大后果，主导气候对社会的影响。虽然高分辨率天气模型可以预测天气时间尺度上的多种极端事件，但长期气候风险评估是一个完全不同的问题。一个百年一遇的事件平均需要100年的模拟时间才能出现一次，远远超过了天气预报模型的典型积分长度。因此，这项任务留给了更便宜，但不太准确，低分辨率或统计模型。但天气模型的输出还有未开发的潜力：尽管持续时间很短，但天气预报集合每周都会制作多次。积分是以独立的扰动启动的，使它们随着时间的推移而分散开，并广泛地采样相空间。总的来说，这些集成加起来有数千年的数据。我们建立了从这些短期天气模拟中提取气候信息的方法。使用欧洲中期天气预报中心（ECMWF）存档在季节性到季节性（S2S）数据库中的集合后报，我们描述了具有多百年返回时间的突然平流层变暖（SSW）事件。其他方法，包括基本的计数策略和马尔可夫状态建模之间的一致结果。通过仔细地将轨迹结合在一起，我们获得了SSW频率及其季节分布的估计值，这些估计值与中度罕见事件的再分析估计值一致，但具有更严格的不确定性界限，并且可以扩展到历史上尚未观察到的前所未有的严重事件。这些方法具有评估整个气候系统极端事件的潜力，超出了平流层极端事件的例子。
Super Resolution On Global Weather Forecasts
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。
FuXi: A cascade machine learning forecasting system for 15-day global weather forecast
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。
Data driven weather forecasts trained and initialised directly from observations
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。
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。
Huracan: A skillful end-to-end data-driven system for ensemble data assimilation and weather prediction
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。
FuXi-2.0: Advancing machine learning weather forecasting model for practical applications
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。
Scaling transformer neural networks for skillful and reliable medium-range weather forecasting
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。
Global Forecasting of Tropical Cyclone Intensity Using Neural Weather Models
本研究通过神经天气模型结合后处理框架，提升全球热带气旋强度预测的准确性和可及性。
OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations
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。
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。
ENS-10: A Dataset For Post-Processing Ensemble Weather Forecasts
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。
Interpolation of mountain weather forecasts by machine learning
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。
GraphDOP: Towards skilful data-driven medium-range weather forecasts learnt and initialised directly from observations
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。
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere
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。
SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
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。
FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators
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。
Numerical models outperform AI weather forecasts of record-breaking extremes
该研究比较了数值模型HRES与多个先进AI天气预报模型在破纪录极端天气中的表现，发现AI模型误差更大、低估破纪录事件频率和强度，表明其在训练域外外推和高风险应用中仍存在明显局限。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。