利用 ERA5、ASOS 和 U-STN 模型进行英国天气预报的数据同化
内容提要
该文综述AI与数据同化结合的气象预报进展：DiffDA用扩散模型同化稀疏观测；FengWu-Adas与FengWu-4DVar将AI预报与同化算法集成，七天预报超过IFS；ASOC利用地面站注意力改进降水预测；另有研究评估得分同化可扩展性、UNet++月尺度温度预测、图神经网络全球天气预测及集合卡尔曼滤波等实用方法。
延伸解读
AI 预报与同化的融合路径
文章展示了两种结合 AI 与数据同化的思路：DiffDA 用扩散模型直接同化稀疏观测，而 FengWu-Adas 和 FengWu-4DVar 则将同化算法与 AI 预报模型集成。前者侧重生成初始条件，后者强调循环预测中融入观测。这些尝试表明，AI 预报的瓶颈之一在于初始场质量，同化环节正成为改进重点。
地面观测的注意力增强
ASOC 方法利用注意力机制整合多个地面气象站的观测，并与现有基于图像的降水预测模型结合。实验显示，1-6 小时超过 1 毫米/小时和 10 毫米/小时降雨事件的平均关键成功指标（CSI）提升 5.7%。这提示在短临降水预报中，稀疏但直接的地面站数据仍能通过注意力机制提供有效补充。
可扩展性与实用性的权衡
文章提到基于得分的数据同化（SDA）在高维地球物理系统中的可伸缩性评估，以及基于集合卡尔曼滤波的实用方法。后者明确以易用和计算速度为重点，而非追求最高准确性。这反映出数据同化研究在方法创新之外，也在关注实际业务部署中的内存、执行时间和操作成本。
从全球到月尺度的预测探索
除同化外，文章还列举了图神经网络全球天气预测、UNet++ 月尺度温度预测以及混合替代模型等研究。图神经网络方法在数天预报上表现可与 GFS 和 ECMWF 物理模型的全分辨率结果相比；UNet++ 则利用 ERA5 和 CMIP6 数据提升未来一个月温度预测准确度。这些工作共同拓展了 AI 气象预报的时间与空间尺度。
Q&A
FengWu-Adas 和 FengWu-4DVar 分别是什么？它们有什么不同？
FengWu-Adas 是将数据同化模型 Adas 与 AI 天气预报模型 FengWu 组合的系统，在七天预报中超过 IFS。FengWu-4DVar 是将 FengWu 与四维变分同化算法集成的 AI 驱动循环天气预报系统，无需物理模型辅助即可融入观测数据并进行循环预测。
DiffDA 是如何实现数据同化的？它有什么特点？
DiffDA 是一种基于机器学习的数据同化方法，使用预训练的 GraphCast 天气预报模型作为去噪扩散模型，通过两阶段条件约束，利用预测状态和稀疏观测同化大气变量。它能在没有观测的情况下将预测结果后处理为未来预测数据，生成与 0.25 度分辨率观测一致的全球大气同化数据，预报提前期最多仅损失 24 小时。
ASOC 方法如何改进降水预测？效果如何？
ASOC 是一种有效利用多个气象站地面观测的注意力方法，可与现有基于图像的降水预测模型结合。实验表明，结合后能将 1-6 小时超过 1 毫米/小时和 10 毫米/小时降雨事件的平均关键成功指标（CSI）提高 5.7%。
基于得分的数据同化（SDA）在高维系统中可扩展吗？有什么优化？
研究评估了 SDA 在高维地球物理动力系统中的可扩展性，并提出了对得分网络架构的修改，旨在显著减少内存消耗和执行时间。在双层准地转流模型上的实验证明了该方法的前景。
UNet++ 模型如何用于月尺度温度预测？
该研究使用深度学习模型 UNet++，利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，预测未来一个月的全球温度，发现该模型可以显著提高预测准确度。
图神经网络在 global 天气预测中表现如何？
使用图神经网络的数据驱动方法通过学习当前 3D 大气状态的六小时步长及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 物理模型的全分辨率相当可比。
