本研究提出了一种新型生成扩散模型WassDiff，通过引入Wasserstein距离正则化，提高了捕捉极端降水信号的能力。WassDiff在降水重构精度和偏差评分上优于传统模型，能生成合理的空间模式，有助于理解极端降雨下的局部风险。

本文介绍了一种通用的实时数据同化框架，展示了其在超级计算机上的可扩展性及在天气预报中的应用潜力。FengWu-Adas系统结合AI模型，在七天预报中表现优于传统方法。研究探讨了机器学习在天气预报中的应用，提出了基于卷积神经网络的预测误差估计方法，并开发了改进极端降水事件预报的集成后处理方法，显示出良好的预测能力。

本文探讨了多种天气预报模型的组合方法，以提高预报准确性。研究提出了Survival-CRPS评分和卷积神经网络在风力预测中的应用，显示出显著的性能提升。同时，开发了集成后处理方法，改善极端降水事件的概率预报，验证结果优于传统方法。此外，引入了新型损失函数Exloss和极值增强策略ExEnsemble，以提高极端天气预报的准确性。

GA-SmaAt-GNet是一种新颖的生成对抗网络架构，通过两种方法提高极端降水近场的深度学习模型性能。该研究在荷兰实际降水数据集上评估了GA-SmaAt-GNet，结果显示整体性能和极端降水事件都有显著改进。使用Grad-CAM方法解释了模型预测，生成激活热图，说明网络各部分更活跃的输入区域。