Aardvark Weather: end-to-end data-driven weather forecasting

机器学习正在彻底改变中期天气预报。然而，目前它仅被应用于天气预报流程的特定和个别组成部分。因此，这些数据驱动的方法无法在没有传统操作数值天气预报系统的输入的情况下部署，这是计算成本高昂的，并且不支持端到端的优化。在这项工作中，我们采取了一种根本不同的方法，用机器学习模型替换整个数值天气预报流程。我们提出了Aardvark Weather，这是第一个端到端数据驱动的预测系统，它将原始观测作为输入，并提供全球和局部预测。这些全球预测是在多个压力水平上以一度空间分辨率和24小时时间分辨率为24个变量产生的，并且在五到七天的提前量上相对于每小时气候学具有技能。局部预测是在地理多样的天气站点上产生的，包括温度、平均海平面压力和风速，并且在多个提前时间上相对于IFS-HRES插值基线具有技能。Aardvark由于其简单性和可扩展性，为进行准确和高效的数据驱动中期天气预报开启了新的范例。

本论文的问题是如何用机器学习模型替代传统的数值天气预报系统，从而实现端到端的数据驱动中期天气预报。

本论文的关键思路是利用机器学习模型对全球和局部的天气变量进行预测，从而替代传统的数值天气预报系统，实现端到端的数据驱动中期天气预报。

本论文提出了名为Aardvark Weather的系统，该系统利用机器学习模型进行全球和局部的天气预测，对24个变量进行预测，分别在多个压力水平和一度空间分辨率下进行预测，预测时间分辨率为24小时，预测准确率在五到七天的前瞻性方面具有技能。此外，本论文还进行了针对温度、平均海平面气压和风速的局部预测，并对多个前瞻性进行了技能评估。本论文的亮点在于其简单性和可扩展性，为实现精确和高效的数据驱动中期天气预报打开了新的可能性。

最近的相关研究包括使用机器学习模型进行天气预测的研究，以及使用数据驱动方法改进数值天气预报系统的研究。例如，论文《Deep learning for precipitation nowcasting: A benchmark and a new model》和《A machine learning approach to precipitation nowcasting with radar images》都是使用机器学习模型进行天气预测的研究。而论文《Improving Weather Predictions using Machine Learning Techniques》则是使用数据驱动方法改进数值天气预报系统的研究。