本文介绍了一种基于人工智能（AI）的数据驱动的先进全球中期天气预报系统——FengWu。与现有的数据驱动天气预报方法不同，FengWu从多模态和多任务的角度解决了中期预报问题。具体而言，本文精心设计了一种深度学习架构，配备了模型特定的编码器-解码器和跨模态融合Transformer，它在不确定性损失的监督下学习，以区域自适应的方式平衡了不同预测器的优化。此外，本文引入了一个回放缓冲机制来提高中期预报性能。通过39年的ERA5重新分析数据训练，FengWu能够在0.25度纬度-经度分辨率上准确地重现大气动力学，并预测未来37个垂直层的陆地和大气状态。基于ERA5的2018年6小时天气回报表明，FengWu在预测880个报告预报物中80％的预测物表现比GraphCast更好，例如将10天超前全球z500预测的均方根误差（RMSE）从733降至651 $m^{2}/s^2$。此外，每次迭代的推理成本仅为600ms，在NVIDIA Tesla A100硬件上。结果表明，FengWu可以显着提高预报技能，首次将技能全球中期天气预报延伸至10.75天的提前量（z500的ACC大于0.6）。

总结：

本文介绍了在使用自适应超参数优化方法来改善全球中期天气预报（medium-range weather forecast）方面取得的进展。作者在文章中指出了挑战，包括从大量观测数据中提取有用的特征，处理模型预测中的不确定性，以及更好地处理模型错误。他们提出了一种称为FengWu的方法，该方法能够显著提高预测准确性，并为天气预报的进一步发展提供了有希望的方向。然而，该方法仍面临挑战，例如如何有效地处理模型预测间不一致性和如何更好地利用和集成不同的预测模型。

标题：FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead

作者：Kang Chen, Tao Han, Junchao Gong, Lei Bai, Fenghua Ling, Jing-Jia Luo, Xi Chen, Leiming Ma, Tianning Zhang, Rui Su, Yuanzheng Ci, Bin Li, Xiaokang Yang, Wanli Ouyang

内容中包含的图片若涉及版权问题，请及时与我们联系删除