Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet

本文研究了使用机器学习代理模型和部分、嘈杂观测补充的在线天气预测。现代数据驱动的天气预测代理模型可以提供准确的短期预测，但长期预测不准确且不符合物理规律。我们在实践中证明并在理论上证明，尽管代理模型的长期不稳定性和观测的稀疏性，过滤估计仍然可以在长期时间范围内保持准确。作为案例研究，我们将先进的天气代理模型FourCastNet集成到变分数据同化框架中，使用部分、嘈杂的ERA5数据。我们的结果表明，过滤估计在一年的同化窗口期内保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

本文旨在探索使用机器学习替代模型和部分嘈杂观测来进行在线天气预测，并解决现有替代模型在长期预测中的不准确和非物理性问题。

本文将FourCastNet天气替代模型与变分数据同化框架相结合，使用部分嘈杂ERA5数据进行实验，证明过滤估计可以在长时间范围内保持准确，并为极端事件预测等预测任务提供有效的初始条件。

本文的实验结果表明，使用部分和嘈杂的观测数据，结合机器学习替代模型和变分数据同化框架，可以在长时间范围内提供准确的天气预测，并且为极端事件预测等任务提供了有效的初始条件。本文的方法可以为天气预测和其他相关领域的研究提供新思路。

近期在该领域的相关研究包括：1. 'Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model' 2. 'A Review of Machine Learning Applications in Satellite Remote Sensing' 3. 'Data Assimilation for Atmospheric, Oceanic and Hydrologic Applications'等。