FuXiWeather2：用于运营全球气象预报的准确大气状态估计学习方法
机器学习
2026-03-17 v1 人工智能
大气与海洋物理
摘要
数值天气预报长期受数据同化和数值建模中固有的计算瓶颈限制。虽然机器学习方法加速了预报，但现有模型主要作为"重分析产品的仿真器"，保留了系统偏差和运营延迟。本文提出FuXiWeather2，一个统一的端到端神经网络框架，用于同化和预报。我们将训练目标直接与真实观测和重分析数据组合，使框架能够有效纠正重分析产品中固有的误差。为解决训练期间NWP派生背景输入与部署期间自生成背景输入之间的分布迁移问题，引入递归展开训练方法以提高分析生成的精度和稳定性。此外，我们在原始观测和模拟观测的混合数据集上进行训练，以缓解观测分布不一致的影响。FuXiWeather2在分钟级内生成高分辨率()全球分析场和10天预报。分析场在大多数变量上超越NCEP-GFS，在下层大气和地表变量上显示优于ERA5和ECMWF-HRES系统的更高精度。这些高质量分析场驱动的确定性预报在91%的评估指标上超过HRES系统。此外，其在台风路径预测中的卓越表现凸显了其针对极端天气事件的快速响应能力。FuXiWeather2分析数据集已提供于https://doi.org/10.5281/zenodo.18872728。
引用
@article{arxiv.2603.15358,
title = {FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting},
author = {Xiaoze Xu and Xiuyu Sun and Songling Zhu and Xiaohui Zhong and Yuanqing Huang and Zijian Zhu and Jun Liu and Hao Li},
journal= {arXiv preprint arXiv:2603.15358},
year = {2026}
}