标签
本文提出了一种概率方法，用于端到端AI天气预报，通过增强Aardvark Weather模型，引入学习的观测噪声和Monte Carlo dropout，平均提高了4.2%的均值预报，并分离了偶然不确定性和认知不确定性。
本文提出了一种用于数据同化的迭代精炼框架，该框架结合神经算子和扩散模型，以超分辨率处理多尺度物理系统，在Kraichnan湍流等基准测试中优于基线方法。
Windborne Systems 发布了 WeatherMesh 6，这是一款AI天气预报模型，声称在准确性和频率上超越欧洲中期天气预报中心（ECMWF），这得益于直接从其气球中获取传感器数据。
本文提出使用 Ensemble Score Filter (EnSF)（一种基于评分的扩散数据同化方法），利用部分含噪声的观测数据来校正预训练的时空能耗模型的预测。数值实验表明，EnSF 在状态估计上显著优于开环传播，并且在非线性观测条件下优于集成卡尔曼滤波（Ensemble Kalman Filter）。