European Centre for Medium-Range Weather Forecasts
PulseAugur coverage of European Centre for Medium-Range Weather Forecasts — every cluster mentioning European Centre for Medium-Range Weather Forecasts across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
厄尔尼诺现象和气候变化导致海洋温度创纪录地达到 21.1 摄氏度
世界海洋在 8 月 22 日达到了有记录以来的最高平均温度，为 21.1 摄氏度。这一纪录归因于人为引起的气候变化和太平洋的强大厄尔尼诺现象的结合。科学家警告说，海洋温度升高会加剧海平面上升，加剧极端天气事件，并降低海洋吸收二氧化碳的能力。
-
物理约束AI框架增强全球热带气旋预报
研究人员开发了Tianmu-TC，一个新颖的、用于全球热带气旋预报的物理约束生成式AI框架。该系统在西北太平洋数据上进行训练，旨在通过生成具有较低不确定性的可控输出来提高预报的可靠性。实验表明，Tianmu-TC在准确性和计算效率方面均优于已有的气象AI模型以及ECMWF等权威数值天气预报系统，覆盖了不同的洋盆和挑战性场景。
-
使用Rescene将冻结的神经天气模型改编用于气候模拟
研究人员开发了Rescene，这是一种将冻结的神经天气模型改编用于气候模拟的新颖方法。通过添加确定性包装器和频谱整形随机扰动，Rescene使先前不稳定的模型能够进行长达数十年的气候模拟而不会出现漂移。该方法成功恢复了每日变化性并保持了集合校准，证明了在利用预训练模型进行长期气候预测方面取得了重大进展。
-
天气预报准确性因数据破坏风险上升而受到威胁
天气预报的准确性因潜在的数据破坏而面临日益增长的风险，尤其是在人工智能驱动的预测和预测市场兴起之际。虽然数据同化和监测等传统方法有保障措施，但新的威胁涉及对多个气象站进行协调操纵，而目前的质量控制难以检测。2026年4月巴黎-戴高乐机场发生的一起事件，据称一名气象员被用吹风机或打火机篡改，以影响预测市场结果，凸显了这些新兴的漏洞。
-
新的机器学习框架使次季节性天气预报技能翻倍
开发了一个名为概率偏差校正（PBC）的新机器学习框架，以提高次季节性天气预报的准确性，该预报通常在两周后会下降。PBC通过学习校正历史概率预报来工作，从而减少系统性误差。在对欧洲中期天气预报中心（ECMWF）的领先人工智能和动力学模型进行测试时，PBC使人工智能预报系统的技能翻倍，并显著提高了业务动力学模型对压力、温度和降水的预测。在实时预报竞赛中，PBC增强的全球预报的表现优于六个业务中心和34个其他团队的预报。
-
动态线路额定值演示使用天气模型进行实时输电容量计算
已开发出动态线路额定值（DLR）的演示系统，利用HRRR、GFS和ECMWF等免费天气模型计算IEEE 738导线载流量。该系统提供8跨输电线路走廊的实时、按跨额定值，并且AI代理可以通过publicmcp.org平台访问。
-
AI模型AIFS-SUBS增强次季节天气预报，降低能耗 · 跟踪3个来源
研究人员开发了AIFS-SUBS，这是一种旨在改进次季节天气预报的新机器学习模型。该模型改编了ECMWF的AIFS-CRPS系统，采用24小时自回归时间步长来减轻误差累积，并整合了额外的气象数据。AIFS-SUBS在第2至第6周的概率技能方面与运行中的综合预报系统（IFS）相当，同时显著扩展了对Madden-Julian涛动（MJO）的有效预测，并改进了对平流层突然变暖事件的预测。值得注意的是，与传统的数值模型相比，AIFS-SUBS…
-
创纪录热浪席卷东欧，凸显气候变化影响
在德国打破纪录的高温之后，一场强烈的早期热浪正影响着东欧。布达佩斯、贝尔格莱德和布加勒斯特等城市的气温接近40摄氏度，波兰、匈牙利、罗马尼亚和巴尔干等多个国家发布了极端高温预警。此次事件凸显了气候变化对欧洲夏季天气模式的持续影响。
-
WindBorne Systems 的 WeatherMesh-6 AI 模型超越领先的天气预报
WindBorne Systems 发布了 WeatherMesh-6 (WM-6)，这是一款由 AI 驱动的全球天气模型，与 ECMWF 的 IFS 和 Google DeepMind 的 AIFS 等领先的业务模型相比，在准确性和提前量方面表现更优。WM-6 以 0.25 度分辨率运行，并提供更广泛的大气、地表和土壤参数输出目录，从而在能源和农业等领域实现高级应用。该模型还在潜在空间中具有更校准的集合，在连续排序概率分数 (CRP…
-
量子信息机器学习在混沌预测中展现实际优势
研究人员开发了一个新的理论框架，用于在量子信息机器学习中实现实际量子优势，特别是在预测混沌系统方面。该方法利用高阶量子统计先验（Q-Priors）来紧凑地存储复杂的相关性，并能够比经典方法使用更少的副本更有效地提取信息。该方法已在模拟和超导处理器上得到验证，通过提高异常相关技能和减少长周期预测崩溃，在天气预报等应用中显示出潜力。
-
新方法提高神经网络天气预报的锐度
研究人员开发了一种新方法来提高基于神经网络的集合天气预报的锐度。通过向网络的损失函数添加惩罚项，他们可以在不牺牲预报准确性的情况下减小预测区间的宽度。该技术使用欧洲中期天气预报中心的2米温度预报进行了演示，显示预测区间宽度显著减小。
-
AI初创公司Windborne Systems声称其天气预报更优
Windborne Systems发布了WeatherMesh 6，一个AI驱动的天气预报模型，据称其预测的准确性和频率均超越了欧洲中期天气预报中心（ECMWF）。这家由斯坦福大学学生创立的初创公司，利用其自有400个探空气球组成的机队收集独特数据，然后直接输入其基于Transformer的AI模型。这种直接数据同化方法使WeatherMesh 6能够在关键区域提供3公里分辨率的每小时预报，显著优于传统和现有的AI天气预测系统。
-
专家警告：人工智能天气预报可能错过罕见极端事件
尽管人工智能模型在提高天气预报的准确性和效率方面正在迅速发展，但专家们对其预测前所未有的“灰天鹅”事件的可靠性表示担忧。这些罕见但可能发生的极端事件，因气候变化而加剧，在人工智能的训练数据中代表性不足，可能导致自信但错误的预测。虽然基于物理的模型可以模拟此类事件，但人工智能模型在进行外推时存在困难，存在静默失效的风险，并可能导致关键的物理建模基础设施的退化。
-
发布 HN：Silurian (YC S24) – 模拟地球
Silurian 是一家由前微软研究员创立的初创公司，已推出生成式预测 Transformer (GFT)，这是一个拥有 15 亿参数的模型，旨在提前 14 天模拟地球天气。该深度学习模型纯粹从数据中学习，无需明确的物理学知识，在预测飓风路径方面表现出色，优于传统预测方法。该公司旨在将其模拟扩展到其他受天气影响的基础设施，如电网和农业。