我们提出了一种基于机器学习的数据同化方法DiffDA，利用GraphCast模型进行大气变量同化。该方法在无观测条件下生成高质量全球大气数据，预测结果与先进套件相近，仅损失24小时，适用于实际应用。

DiffDA是一种基于机器学习的数据同化方法，使用预测状态和稀疏观测同化大气变量。通过预先训练的GraphCast天气预报模型作为去噪扩散模型，该方法能够产生与观测一致的全球大气同化数据，预测提前期最多仅损失24小时。