最新研究提出了一种经济高效的千米级降尺度扩散模型，用于物理风险预测。该模型利用ERA5再分析数据，从台湾的高分辨率天气模型中训练而来。通过两步方法（ResDiff），在块状RMSE和CRPS评分上表现出色。模型能准确恢复极端天气事件的重要幂律关系，并展示多变量关系，如冷锋中的强降雨和台风眼壁的极端风雨。这是首次尝试直接从全球预报模型进行降尺度，预示着全球到区域的机器学习天气预报新时代的到来。

通过在ERA5数据上训练SwinV2 Transformer模型，展示了在常规体系结构、简单训练过程和适度计算预算下实现高水平预测技巧，并比较了其与IFS的优越性。剖析了训练流程的关键方面，探索了不同损失函数、模型尺寸和深度以及多步细调的影响，并研究了模型规模对性能的影响。

该研究使用自适应傅立叶神经算子模型和时间滑动方法对ERA5数据集进行扩充，提高了气象预测准确性，展示了模型反映当前气候趋势和预测未来气候事件的能力。

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。