2026-08-01 大气科学 AI 研究日报#

生成与科学核验截止时间：2026-08-01 15:00（北京时间，UTC+8）。
严格滚动主窗口：2026-07-31 15:00—2026-08-01 15:00；补充缓冲窗口：2026-07-30 15:00—2026-07-31 15:00。
连续增量边界：上一期实际科学核验截止为 2026-07-31 17:00；因此“本轮连续新增”只计 2026-07-31 17:00—2026-08-01 15:00。严格主窗口中 15:00—17:00 的条目单列为重叠恢复，不重复宣称为上次截止后的新增。
去重基线：工作区最近两类日报、tracked_items.md 与本自动化记录。预印本、正式出版、Crossref 建档、仓库提交、作者结果和独立复现分别记录。

一、总体判断与信号地图#

本轮连续边界后保留 5 个实质事件：两篇正式论文分别涉及次季节阻塞可预报性和极端降水 diffusion 后处理，一篇正式论文提出复合极端下的预报经济价值框架，另有两个代码基础设施状态变化。严格 24 h 主窗口的重叠段恢复 3 项：ConCast 雷达临近预报、拓扑状态空间评价预印本和希腊 CO 自回归预测。24—48 h 缓冲恢复 1 项：MAUSAM 正式出版状态。没有发现新的、许可与数据均完整的模型权重或可独立复现实验包。

core-s2s 的直接信号最强。 北太平洋冬季阻塞研究把 IFS、NeuralGCM 和 Pangu 放到 1—4 周同一科学问题中：三者在 1—2 周尚能再现阻塞频率，3—4 周出现持续时间依赖的分化；摘要层面支持“可预报信号约两周”，不支持把 3—4 周的形态相似写成确定性技能。
core-nowcasting 恢复一篇直接雷达论文，但它是确定性模型。 ConCast 在 Shanghai Radar 和 SEVIR 上以 CBAM 与相邻预测一致性正则改造 SimVP。作者结果显示多项均值技能改善，同时 SEVIR 的 CSI 增益很小，过强正则还会平滑或冻结演变；没有概率集合、独立业务测试或公开权重。
“恢复精细结构”不能脱离输入真实性和评价尺度。 极端降水级联分类 + diffusion 将 0.25°诊断场降到 0.1°，但摘要没有给出起报时刻、时效或 ERA5 是否为真实预报可用输入；因此归入 adjacent-method，不把其 CSI 增益写成 0—72 h 业务技能。
观测验证会重排 AI 天气模型判断。 MAUSAM 表明，以印度站点而非 ERA5 验证时误差系统增大；其 90 d 试验只检验统计稳定性，不等于已证明 1—65 d 异常可预报性。
空气质量线仍缺真实气象驱动证据。 希腊 CO 论文刻意只用污染物历史与日历特征，可作为自回归下限，却不能回答 CAMS/MLWP 驱动误差、输送或阈值过程。

研究线	连续新增	重叠/缓冲恢复	本轮判断
`core-nowcasting`	0	1	有新的确定性雷达框架与跨数据集结果；无集合校准、公开权重或业务复现
`core-short-range`	0 篇可核验直接业务论文	0	极端降水 diffusion 方法相关，但预报时效和真实输入协议未核实
`core-s2s`	1	1	阻塞论文提供直接 1—4 周证据；MAUSAM强化观测参照与共同样本要求
`core-air-quality`	0	1	只有 CO 单变量自回归基线；没有 PM₂.₅、CAMS/MLWP 或气象误差传播新增
横向方法与基础设施	4	1	新增决策价值、轨迹诊断及仓库可靠性/可复现性状态；均非独立复现

二、新增条目表#

标题	日期（北京时间）	研究主线	相关性分类	来源/平台	正式状态	链接	代码/数据状态
Subseasonal Prediction of the Wintertime North Pacific Blocking in AI-Based Weather Models	2026-08-01 00:19（Crossref 建档）	`core-s2s`	`core-s2s`	JGR: Atmospheres / Wiley	正式在线论文，DOI `10.1029/2026JD046695`；非 CC 许可	DOI	本轮未核实专用代码、冻结样本或可复现实验包；方法细节仅取得正式摘要
Improving Extreme Precipitation Forecasts via Cascade Binary Classification With Diffusion Post-Processing	2026-07-31 19:57（Crossref 建档）	连接 `core-short-range`	`adjacent-method`	JGR: Machine Learning and Computation / Wiley	正式在线论文，DOI `10.1029/2026JH001347`；CC BY-NC 4.0	DOI	ERA5 与 GPM IMERG 为公开上游数据；未发现代码、权重或冻结划分
Assessing the real-world economic value of weather forecasts for compounding extremes	2026-08-01 06:49（Crossref 建档）	跨 `core-short-range` / `core-s2s`	`infrastructure`	Environmental Research Letters / IOP	正式论文，DOI `10.1088/1748-9326/ae9327`；CC BY 4.0	DOI；World Bank 工作论文	未发现代码或冻结城市样本包；案例细节由官方工作论文版本核对
`andrewnakas/globalnowcast`：训练数据构建器依赖修复	2026-07-31 22:42（提交）	连接 `core-nowcasting`	`infrastructure`	GitHub	实质可靠性修复；无论文、release 或独立复现	提交	延迟导入 Pillow，修复训练机缺包导致例行构建静默停止；提交说明称数据曾冻结在 13 个夏季日，尚无修复后样本数证明
`ArcReacto/Geo-RAC`	2026-07-31 17:22（仓库最新状态）	连接 `core-short-range`	`infrastructure`	GitHub	代码快照；README 仅称 KDD submission，不能写成录用	仓库	地理/地形分层检索与 LightGBM 残差迁移代码公开；无标准 LICENSE、权重、完整数据或可直接运行环境，README 无结果表
ConCast: a CBAM-enhanced SimVP with temporal consistency regularization for precipitation nowcasting	2026-07-31 15:03（Crossref 建档；重叠恢复）	`core-nowcasting`	`core-nowcasting`	Intelligence & Robotics / OAE	正式论文；CC BY 4.0	论文	Shanghai Radar 与 SEVIR 原始数据来源公开；未发现训练代码、权重、处理后样本或软件许可证
Topology-Preserving State Space Representation for Diagnosing Weather Forecast Models	2026-07-31 15:49 前后（重叠恢复）	跨 AI/NWP 中期评价	`infrastructure`	EGUsphere / Copernicus	预印本，公开讨论中；CC BY 4.0	论文	作者声明 Zenodo `10.5281/zenodo.20483795` 含代码、模型和处理轨迹；本轮未能独立打开归档核验内容与许可证
Interpretable Machine Learning Models Using SHAP for Hourly and Daily-Maximum Carbon Monoxide Forecasting at Urban Air Quality IoT Monitoring Stations in Greece	2026-07-31 16:20（重叠恢复）	`core-air-quality`	`core-air-quality`	Electronics / MDPI	正式论文，DOI `10.3390/electronics15153371`；CC BY 4.0	DOI	原始官方监测数据公开；处理数据与代码仅按请求提供，无发布包
MAUSAM: An Observations-Focused Assessment of Global AI Weather Prediction Models During the South Asian Monsoon	2026-07-31 03:48（缓冲恢复）	`core-s2s`	`core-s2s`	JAMES / AGU	2026-07-30 正式出版，DOI `10.1029/2025MS005568`；VOR CC BY 4.0，所用 arXiv v2 为 CC BY-SA 4.0	DOI；arXiv v2；支持材料	Zenodo 提供约 267 MB 脚本、notebook 与作图变量；原始模型预报未打包，可按上游模型重建

边界说明#

ConCast、拓扑状态空间和希腊 CO 位于严格 24 h 主窗口，却早于上一期 17:00 截止，因此是重叠恢复，不计为连续边界后的新事件。MAUSAM 位于 24—48 h 缓冲，是正式出版状态恢复。表中日期优先写可核验的官方/Crossref 时间；Crossref 建档不是论文实验发生时间。

三、四条核心研究线#

3.1 `core-nowcasting`：ConCast 改善确定性演变，但尚未表达不确定性#

ConCast 使用 Shanghai Radar（2015-10—2018-07，6 min，501 km 方形区域）和 SEVIR VIL（超过 20,000 个事件，5 min，384 km）。每个序列 25 帧，以前 5 帧预测后 20 帧：分别对应 30→120 min 和 25→100 min；两套资料均缩放到 128×128。Shanghai 划分为 1,534/526/526 个训练、验证、测试事件。

模型以 SimVP 为骨干，在时空模块后加入 CBAM 通道/空间注意，并以相邻预测的余弦一致性构造 temporal consistency regularization；总损失为 MSE + 0.1×TCR。SimVP 每次输出 5 帧，四次自回归得到 20 帧。训练 200 epochs、AdamW、batch 32，论文报告使用 8 张 A40。

作者结果中，Shanghai 的 CSI 从 SimVP 0.3614 升至 0.4038，HSS 从 0.5083 升至 0.5419，LPIPS 从 0.3691 降至 0.2893；SEVIR 的 CSI 仅从 0.2644 升至 0.2765，但 HSS 和 MSE改善更清楚。Shanghai 阈值为 20/30/35/40 dBZ；SEVIR 使用 VIL 阈值 16/74/133/160/181/219，不能把后者写成 dBZ。消融支持 CBAM主要改善空间表示、TCR改善时间连续性；λ 大于 0.1 时可能过度平滑或冻结演变。

这不是概率模型，也没有可靠性、CRPS、覆盖率或多成员离散度。128² 重采样、单次划分、无显著性/随机种子报告和缺少跨雷达业务检验，限制了“精细结构恢复”结论。代码与权重未公开，结果均为作者报告。

ConCast 编码器、时空模块、CBAM、解码器与时间一致性损失框架 — **论文 Figure 1｜ConCast 的确定性雷达序列框架。** 原始图注：Overall framework of the proposed method. Historical radar frames are first encoded into hierarchical spatial features, then processed by a spatio-temporal module with CBAM refinement, and finally decoded into future precipitation frames. SimVP predicts five frames per forward pass, and four autoregressive rollouts generate the complete 20-frame forecast. Only representative frames are shown for clarity. During training, the predictions are jointly supervised by the MSE loss and the temporal consistency loss. CBAM: Convolutional block attention module; MSE: mean squared error. 作者：Peihan Zhao、Rong Wang、Yiye Zhang、Xiaofei Yang、Chunshan Li。来源：正式论文。许可：CC BY 4.0。本站下载完整作者发布 JPEG，等比例缩放为 1600×1183 并转为无损 WebP；未裁剪、标注或改变图内内容。

3.2 `core-short-range`：极端降水 diffusion 有方法价值，但预报协议仍缺口#

级联分类论文面向中国东部 110—130°E、20—40°N，先训练 15 个阈值特定 U-Net，堆叠成 0.25°分级诊断场，再用 diffusion 做偏差订正和概率降尺度到 0.1°。数据为 2013—2023 ERA5 与 GPM IMERG，2023 独立测试。作者报告在 50—100 mm 6 h⁻¹ 阈值上，级联相对回归/多任务基线的 CSI 提高 25%—54%；P90 对极端 CSI 最佳，P80 的频率偏差更平衡；近地面变量贡献最大，高层变量对极端更有增量。

但可取得的正式摘要没有给出初始化时间、预测时效、ERA5 输入是分析还是实际可得预报、集合规模与校准方法。因而本期把它归为 adjacent-method，只连接 core-short-range：它证明“分阈值表征 + 生成式降尺度”值得测试，尚不能证明 0—72 h 业务极端降水技能。图件未镜像：论文为 CC BY-NC 4.0，不在本站允许的复用许可范围。

Geo-RAC 是另一条基础设施信号：按地理距离、地形和站点相似性检索参考站，再用 LightGBM ranker 做残差迁移，覆盖 FengWu/HRES 站点订正、暖启动与 leave-one-station-out 冷启动，并包含 2026 年台风个例脚本。仓库没有标准许可证、结果表、权重或完整数据环境，且依赖内部路径、Milvus、Earth2 与 FengWu ONNX；只能作为地理检索/地形条件化的代码线索，不能写成 KDD 录用或已复现优越性。

3.3 `core-s2s`：阻塞可预报性与观测参照分别约束“保留信号”#

北太平洋阻塞#

正式摘要比较 ECMWF IFS（全物理）、NeuralGCM（混合）和 Pangu（纯数据驱动）的冬季北太平洋阻塞。三者均能在 1—2 周再现阻塞频率，3—4 周开始分化：IFS 因 5—6 d 和超过 9 d 的事件而偏多，Pangu 对 7—8 d 事件偏少，NeuralGCM 呈偶极型混合偏差。作者称三者到 3—4 周仍能再现阻塞演变与湿过程，并报告预测技能约到两周；热带太平洋年际/次季节变率对 IFS 技能提升最明确，NeuralGCM 和 Pangu 只呈定性一致。

当前只能核实正式摘要，未取得完整样本年份、初始化频率、集合/确定性口径、共同有效时刻、异常基准、代码或绝对分数，因此不对三模型做超出摘要的排序，也不把“演变可再现”升级为 3—4 周确定性异常技能。Wiley VOR 没有允许镜像具体图件的 CC 许可，图件未镜像。

MAUSAM：ERA5 验证会低估真实观测误差#

MAUSAM 比较 FourCastNet、FCN-SFNO、Pangu、GraphCast、Aurora、AIFS、GenCast 与 HRES/IFS ensemble mean。主要共同评估覆盖 2022 年，降水另含 2024 年；参照包括 ERA5、印度气象局 458 站、最多 6,995 个雨量站的格点降水、INSAT-3DS 云和 IBTrACS 热带气旋。输出统一到 0.25°。

作者发现，以站点观测而非 ERA5/HRES 验证时，地面变量 MAE 可高 15%—45%；AIFS总体最稳定，GraphCast/GenCast也较强。所有模型仍低估极端降水尾部，气旋路径分歧明显；GenCast 的尺度谱最好，FCN 在约 9—10 d 出现不稳定。2024-04-15 起报的 90 d 压力测试中，多数模型能保持统计上合理的纬向/涡动结构，但这是数值/气候稳定性测试，不是共同样本 S2S 异常技能证明。

Zenodo 包含脚本、notebook 和作图变量，但没有打包全部模型预报。该论文对当前研究最直接的要求是：ERA5、业务分析和独立站点必须分列；平均误差、谱、极端尾部和热带气旋对象也必须分列。

AI 天气模型相对印度站点、ERA5 与 HRES 的温度和风误差比较 — **论文 Figure 2｜参照资料改变模型误差判断。** 原始图注：Observational validation exposes systematic biases masked by reanalysis-centric evaluation. Comparison of mean absolute errors for AI weather models evaluated against Indian Meteorological Department observations, ERA5 analysis, and ECMWF operational forecasts (HRES) for 2-meter temperature (left), 10-meter u-component wind (center), and 10-meter v-component wind (right) during the year 2022. Error values are shown for various forecast lead times. The color scale indicates the percentage difference in mean absolute error relative to ECMWF’s IFS ensemble mean performance, with negative values (green) indicating better performance and positive values (red) indicating worse performance. All AI models show substantially larger errors when validated against observations compared to ERA5-based evaluation, with discrepancies increasing systematically with lead time. 作者：Aman Gupta、Aditi Sheshadri、Dhruv Suri。来源：arXiv v2。许可：CC BY-SA 4.0。本站从该版本 PDF 渲染页面，仅裁除页边与图注边界，保留完整面板、坐标、标签与色标；转为无损 WebP，未标注或改变数据。

3.4 `core-air-quality`：CO 自回归只能作为不含气象驱动的下限#

希腊论文使用雅典 PAT、PIR、SMY、GEO 四站 2021—2024 小时 CO（mg m⁻³），分别代表中心交通、港口/城市、城市背景和郊区。每站理论 35,064 个小时，有效率约 75.8%—97.3%。目标是下一小时 CO 与次日最大 CO，按时间 70%/15%/15% 划分，比较 SVR、RF、GBM、MLP 和朴素持续性；输入仅含 CO 滞后、滚动量和日历特征，明确排除气象、交通与共污染物。

作者报告下一小时最佳模型 R² 为 0.815—0.899，次日最大值降至 0.437—0.594；SHAP 显示 lag-1 贡献约为其他特征的 7—10 倍。配对 Wilcoxon 给出 p<0.001，但逐时误差有自相关，显著性只宜视为指示性。测试期没有站点超过 10 mg m⁻³ 的 8 h 标准，极端样本不足。它可作为“只靠污染物自身历史”的基线，不能回答 PM₂.₅、沙尘、空间输送、未来气象驱动或概率不确定性。

四、相关方法与基础设施#

4.1 拓扑保持状态空间：补充逐格误差，但不能替代它#

EGUsphere 预印本用 ERA5 2020—2024 的东亚 850 hPa 温度、位势高度和水平风构建共享低维状态空间；训练中的正关系包含 ERA5—IFS 参考、噪声、空间平移和时间相邻状态。2025 年以 IFS analysis 为参照，将 FourCastNet2、GraphCast、Pangu 在 IFS/KIM/UM 三类初值下的 9 个配置投影进去，评估 6—288 h、每日起报 365 例，并区分固定起报的 lead-time trajectory 与共同有效时刻的 valid-time trajectory。

作者报告 Pangu-IFS 的 alignment-based 平均计数最高（170.8），GraphCast-IFS 的 index-aligned 计数为 63.5；GraphCast/Pangu 的有效时刻距离通常小于 FCN2。季节上，GraphCast/Pangu 同时“good”的比例由 DJF 48.1%降至 JJA 24.7%。这些数值依赖作者构造的低维距离和阈值，不是通用技能分数；二维嵌入会失真，平滑长时效场也可能因大尺度路径接近而得到较好距离。它应与 RMSE、ACC、谱、极端和对象指标联合使用。

从 ERA5 构建拓扑保持状态空间并比较 AI 与 NWP 预报轨迹的流程 — **论文 Figure 1｜共享状态空间中的预报轨迹诊断。** 原始图注：Schematic overview of the proposed framework for topology-preserving state-space construction and trajectory-based forecast evaluation. The modeling branch constructs a shared state space from ERA5 reanalysis data using multivariate image representation, physically motivated positive relationships, feature encoding, and manifold embedding. The evaluation branch projects IFS analysis and AI/NWP forecast outputs into the same state space and compares forecast evolution as trajectories. 作者：Hyoungnyoun Kim、Jeong Hoon Cho。来源：EGUsphere 预印本。许可：CC BY 4.0。本站从论文 PDF 渲染页面，仅裁除页边与图注边界，保留完整框架、标签与图例；转为无损 WebP，未添加箭头或结论。

4.2 复合极端下的经济价值：技能必须映射到具体决策#

ERL 论文扩展 cost-loss / Relative Economic Value：连续漏报极端会产生复合损失，连续虚警会侵蚀信任。官方工作论文案例比较 IFS HRES 48r1/49r1 与 AIFS single v1，在 2024-03—2025-02、南亚与南欧各 6 城市、5 d 的 2 m 温度和 10 m 风、局地 90 百分位阈值上，以 ERA5 为参照。作者报告南亚 AIFS 多数情形价值更高；南欧在低 cost-loss 时 HRES 的敏感性可能更有利，高 cost-loss 时 AIFS 的特异性更有利，城市和变量差异明显。惩罚设定有时比模型选择影响更大。

这不是降水或雷达论文，也只覆盖确定性预报、一年、少量城市和 ERA5 参照；但它给四条研究线一个共同提醒：阈值命中、连续漏报和连续虚警需映射到具体业务损失，不能用全局 RMSE替代。未发现代码或冻结样本包，本期不镜像图件。

4.3 仓库状态变化：可靠性修复不等于模型技能#

globalnowcast 提交把 Pillow 从模块级导入改为实际渲染时延迟导入。提交说明称训练机未装 Pillow，使只需解码的 dataset builder 在导入阶段崩溃，例行任务静默失败两天，订正训练集冻结在最初 13 个夏季日。该修复能恢复数据积累，但尚无修复后样本数、训练结果或业务门槛，因此只记 infrastructure。
Nowcast3D README 新增明确说明：公开 checkpoints 不是作者最佳业务模型，最佳业务 checkpoints 保密且未发布。这是公开—论文—业务模型映射的重要收窄，不是性能更新；已在既有 tracker 行更新，不重复新增条目。

五、机构信号、仅元数据、窗口外与排除项#

5.1 `institution-signal`#

Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、WMO 和 Copernicus/CAMS 的定向检查未发现本连续边界内新的四主线模型、权重、数据、共同样本结果或正式业务验证交付物。宽泛 AI 治理、活动议程和旧项目页不用于填充日报。

5.2 `metadata-only` 与 `window-out`#

UniExtreme DOI 10.1145/3770854.3780172 虽在本轮出现新的 Crossref 时间，但会议论文实际日期为 2026-04-20，预印本和代码更早，记 window-out。
巴西 S2S WCAMA DOI 10.5753/wcama.2026.22630 实际出版 2026-07-19，只是晚建档，记 window-out。
Jakarta 混合 LSTM-GRU/情感 DOI 10.1109/SIML69834.2026.11621659 的会议日期为 2026 年 6 月，且当前缺少可核验实验细节；记 window-out/metadata-only，不作为空气质量新证据。

5.3 `low-value-exclusion`#

pySTEPS 本窗口提交只把版本号从 1.21.2 改为 1.21.3，未核实独立 release、算法、结果或许可证变化；不算实质事件。
ilianrvd/nowcasting-public 仅自动提交新预报图片/时间，sushantakundu/gsmap-live 仅更新展示内容；没有模型、权重、数据、许可或科学解释变化。
HRRRCast-live 的 pushed_at 更新不对应窗口内新 commit；不以仓库推送时间代替科学事件时间。

六、对当前研究的具体启发#

把可预报成分写成变量—尺度—时效三维对象。 阻塞研究提示 1—2 周频率尚有信号，而持续时间分布在 3—4 周分化；应分别评价异常位相、阻塞持续时间、湿过程和局地结构。
“恢复结构”必须有防平滑也防冻结的双向诊断。 ConCast 的时间一致性正则可减弱跳变，但过大权重会冻结演变。应同时报告谱能量、对象位移、增长衰减率和相邻帧变化，而非只报 CSI/MSE。
生成式降尺度先审计条件信息是否真实可得。 ERA5 分析驱动的 0.1°结果不能直接代表起报时可用的 NWP/CAMS 驱动。至少设置理想分析、真实预报和无气象三组共同样本。
S2S 多模型比较需要观测参照与再分析参照双表。 MAUSAM 显示站点误差显著大于 ERA5误差；FGOALS、IFS、AIFS 和其他模型应统一有效时刻、网格、共同样本，并分列绝对场与异常。
低维轨迹可诊断动力路径，不可替代极端与精细尺度。 拓扑距离应与 RMSE/ACC、谱、阈值事件、对象生命史一起用，避免平滑场因大尺度相近而被误判为好预报。
不确定性要进入决策损失。 集合可靠性不仅看 CRPS，还应按连续漏报、连续虚警和 cost-loss 分层；空气质量阈值、强降水预警和 S2S 风险产品都适用。

七、后续跟进触发器#

北太平洋阻塞：全文方法/样本可稳定取得、代码或共同样本公开、加入集合模型或正式数据声明时复核 1—4 周结论。
极端降水 diffusion：出现真实初始化/时效、ERA5 输入可用性说明、成员生成与 reliability/CRPS、代码/权重/冻结 2023 样本时再决定是否升级为 core-short-range。
ConCast：公开代码、权重、事件清单与许可证；跨雷达/跨气候检验；集合可靠性、强核生命周期和随机种子显著性。
MAUSAM：Zenodo 归档更新、完整预报清单/校验和、独立复现观测—ERA5差距，以及真正 1—65 d 异常/集合评估。
拓扑状态空间：Zenodo 20483795 可独立核验、明确代码许可和完整复现流程；扩展层次/区域/变量，并与极端、谱和邻域指标联合。
globalnowcast：证明修复后例行样本持续增长并重训/过部署门槛；提交监控告警、模型权重和 LICENSE。
Geo-RAC：标准许可证、可移植环境、冻结站点划分、绝对共同样本结果和正式论文状态。
空气质量：加入真实 CAMS/MLWP/NWP 气象预报、PM₂.₅/沙尘阈值、空间外推和概率校准；CO 单变量结果只保留下限角色。
Nowcast3D：公开 checkpoint 与论文/业务配置映射、哈希、训练数据清单和独立复现；不得把公开 checkpoint 当作最佳业务模型。

八、简短结论#

本轮没有新的可复现权重发布，真正有价值的是证据边界变得更清楚：阻塞研究把 1—2 周可预报信号与 3—4 周持续时间偏差分开；ConCast 显示时间连续性可以改善，也可能转成过度平滑；MAUSAM 证明再分析参照会掩盖真实观测误差；经济价值框架进一步说明同一技能在不同连续漏报/虚警代价下可能产生相反决策。当前研究应继续围绕同一主线组织：先识别并保留可预报信息，再在真实可用条件下恢复尺度结构，最后用经校准集合和任务损失表达不可预报部分。

2026-08-01 大气科学 AI 研究日报