XiChen：基于四维变分梯度引导的全球天气观测-预报机器学习系统
机器学习
2026-02-10 v3 人工智能
大气与海洋物理
摘要
机器学习（ML）在天气预报领域展现出巨大的潜力，但大多数 ML 系统仍依赖由数值天气预报（NWP）系统生成的初始条件。端到端的 ML 模型旨在消除这一依赖，但往往依赖于观测特定的编码器，当观测来源变化时需要重新设计或重新训练，从而限制了其操作鲁棒性。我们引入了 XiChen，一个通过四维变分（4DVar）梯度引导的灵活 assimilation 的全球天气观测-预报 ML 系统。我们证明，4DVar 成本函数的梯度作为物理上扎实的界面，将异构观测映射到 common state space。这种新颖的表述使 XiChen 能够灵活地整合多样化的常规观测和原始卫星观测，同时保持物理一致性。实验表明，该系统的预报指标与操作性 NWP 系统相当。这一工作为具有异构和动态演化观测的 operational ML 基于全球天气预报系统提供了一条实用且物理一致的路径。
引用
@article{arxiv.2507.09202,
title = {XiChen: A global weather observation-to-forecast machine learning system via four-dimensional variational gradient-guided flexible assimilation},
author = {Wuxin Wang and Weicheng Ni and Lilan Huang and Tao Hao and Ben Fei and Shuo Ma and Taikang Yuan and Yanlai Zhao and Kefeng Deng and Xiaoyong Li and Hongze Leng and Boheng Duan and Lei Bai and Weimin Zhang and Junqiang Song and Kaijun Ren},
journal= {arXiv preprint arXiv:2507.09202},
year = {2026}
}
备注
24 pages, 6 figures