我校联合多单位开展基于人工智能的同化和预报联合建模研究，开发出首个业务可用的从真实观测（卫星亮温数据等）到预报的高精度全球天气循环同化和预报AI系统——FuXi-Weather，该成果相关论文 “A data-to-forecast machine learning system for global weather” 近日发表于Nature Communications。
2022年以来，数据驱动气象大模型不断涌现，预报精度超过传统数值天气预报。但气象大模型依赖数值模式初始场，成为制约其进一步发展的瓶颈。
该系统可以实现真实观测数据的快速循环同化，相对于数值模式（NWP）的同化系统，速度提升千倍以上，仅100ms就可以实现一次数据同化。传统NWP同化系统流程复杂，计算成本高，并且对数据有苛刻的要求，领先的NWP同化系统数据利用率仅为10%左右。FuXi-Weather首次实现了卫星数据的全网格、全表面（陆地和海洋）、全通道和全天空（All-grid, All-surface, All-channel, and All-sky）的资料同化，极大的简化了资料同化流程，并且模型可以自动提取有用信息，极大降低了对数据质量的要求。上述特性使得FuXi-Weather可以大规模实时同化各种观测，进而实现更高频次的预报，比如接入各种小卫星数据，实现每半小时更新的同化和预报。
FuXi-Weather将同化模型和预报模型联合建模，实现对预报结果的端到端优化。仅仅使用三颗极轨卫星和部分掩星数据，FuXi-Weather从白噪声开始进行循环同化，实现了全球的高精度天气预报，大部分变量有效预报天数超过了欧洲中期天气预报中心（ECMWF）的高分辨率预报系统（HRES）。
这是我校联合上智院开展AI4S研究的又一重要成果。伏羲团队透露，在上述工作的基础上，正在研发新的FuXi-Weather 2.0模型。
论文链接：
https://www.nature.com/articles/s41467-025-62024-1
来源：伏羲大模型团队
