谷歌DeepMind研究人员在迈阿密国家飓风中心展示了一种新型AI气旋模型，该模型能够快速准确地预测气旋的路径和强度，帮助气象专家及时发布警报，保障公众安全。

谷歌DeepMind及其研究团队推出Weather Lab，利用人工智能提升热带气旋预测能力，增强预警和灾害准备。新模型能准确预测气旋的路径和强度，支持美国国家飓风中心的工作，并提供实时和历史预测数据，帮助气象机构更有效应对气旋风险。

谷歌DeepMind与谷歌研究推出Weather Lab网站，展示AI气象模型和实验性气旋预测技术，旨在提升气象机构对气旋路径和强度的预测能力。

微软研究院推出了大规模大气基础模型Aurora，利用超过一百万小时的地球物理数据进行预训练，显著提升了空气质量、海洋波浪和热带气旋路径的预测精度与效率，计算速度提高约5000倍，推动气候和天气信息获取。

本文提出了一种名为VQLTI的新框架，旨在解决热带气旋强度长期预测的不足。该框架通过增强强度与空间信息的匹配，并结合物理知识，显著降低了预测误差，24至120小时的最大持续风速预测误差减少了35.65%-42.51%。

研究提出了一种多模态模型TCP-扩散，解决热带气旋降水预测中的累积误差和物理一致性问题。该模型利用历史降水和环境数据，以3小时分辨率预测未来12小时降水，显著提升准确性，适用于资金有限的地区。结合因果注意力机制，新模型在强降水预测中优于传统方法。

该论文回顾了大型模型在天气预报中的应用，强调了它们在改善传统预报方法方面的作用。这些模型利用先进的神经网络架构处理气象数据，提高了预测准确性。论文还讨论了该领域的挑战，并探索了未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性。

这项研究通过进行理论和定量比较，分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法，以海洋热带气旋的风速估算任务为例，发现预测不确定性可用于提高准确性，并对不同方法的预测不确定性进行了分析。

通过生成对抗网络构建的多层级雨图生成模型能够生成不同强度的雨图像，并通过优化和调整改善模式崩溃问题。与基准模型相比，该模型在测试数据集上的峰值信噪比提高了2.58 dB和0.74 dB，结构相似性指数分别提高了18%和8%。消融实验验证了模型调优的有效性。

介绍了一个名为SICKLE的数据集，包含同期多光谱、热学和微波数据以及关键的稻作参数注释。该数据集可用于进行农业遥感的研究，并提出了一种收成预测策略。