2026-08-25 大气科学 AI 研究日报#

核验窗口：主窗口为 2026-08-24 13:17:02—2026-08-25 13:04:42（北京时间）；缓冲窗口为 2026-08-23 13:17:02—2026-08-24 13:17:02。日期以一手来源的提交、上线、登记、发布或合并时间为准。上一轮截止时间和去重集合来自最近两期大气科学 AI 日报、历史雷达日报、tracked_items.md 与自动化 memory。

一、总体判断与信号地图#

本窗口不是“AI 天气模型集中发布日”，但出现了四组对当前研究有实质意义的证据。第一，ECMWF S2S 的年循环漂移被量化为东亚降水可预报信息的损失；第二，上海多污染物预报与 29 城市时序基础模型评估再次暴露“起报时能否得到未来协变量”这一核心合同；第三，条件扩散模型开始直接学习确定性风速预报误差并生成集合；第四，ERA5 同化窗口边界、雷达定量降水估计和雷达标定均提示，上游参考场与初值的不连续会传递到高分辨率预报和 AI 训练标签。

本期最强的横向结论是：可预报信息损失、精细结构恢复和不确定性表达必须共享同一套起报合同与参考场合同。 如果年循环漂移、未来协变量、再分析同化窗口或上游雷达偏差没有被显式记录，模型分数很容易混入本不属于模型的优势或损失。

二、新增条目表#

2.1 主窗口与连续增量#

2.2 24—48 小时缓冲窗口恢复#

三、四条核心研究线#

3.1 core-nowcasting：直接结果仍待全文，误差集合与上游雷达质量有可迁移信号#

PCFNet 的正式元数据指向“双偏振雷达回波图像序列预测”，与 0—3 h 临近预报高度相关，但出版商可访问记录没有摘要、输入变量、数据集、时效、划分、基线和指标，亦未找到论文匹配代码。仅凭题名不能判断双偏振变量如何融合、是否预测绝对场、是否与持久性/光流/生成式模型作共同样本比较，故暂列 metadata-only。

GMD 的扩散模型预测的是 SIVA 确定性 10 m 风速临近预报误差，不是雷达回波或降水轨迹。它仍提供一条值得迁移的路线：保留确定性模型的大尺度可预报信息，让生成模型只学习条件误差分布，再用集合表达不确定性。雷达 QPE 的 Lagrangian Kalman Filter 和 X 波段对扫标定则属于上游质控，它们可能改善训练标签与实时输入，却不能被写成新的回波预测技能。

3.2 core-short-range：无新 AI 技巧，ERA5 同化窗口暴露初值公平性问题#

ERL 论文对 2023 年 7 月华北极端降水做两个 24 成员的相邻逐小时初始化扫描，约 4 km 与 16 km 网格的试验表明，在 ERA5 同化窗口边界附近，相邻一小时的初值可使水汽通道和降水落区从明显失败转为成功。作者报告，在对流许可分辨率上，边界相关的技能变化幅度超过非边界相邻时次变化的完整分布。

这不是 AI 后处理论文，也不能凭一个过程推断普遍规律。但它直接影响短期 AI/NWP 公平比较：若训练、验证或敏感性试验只按日历时次采样，没有记录该时次在 ERA5 同化窗口中的位置，模型可能学到或遭遇结构化初值跳变。后续应同时报告起报时刻、有效时刻、预报时效、同化窗口位置、共同样本和参考场版本。

3.3 core-s2s：年循环漂移解释信息损失，JEPA 原型验证跨变量迁移但不具备业务闭环#

JGR 论文对 ECMWF S2S 2024 年东亚季风降水集合预报做时间尺度分解。作者发现，模式年循环在一周后演变过快，第一谐波的相位与振幅偏差随时效增长；这一漂移通过内部大气过程使降水技巧上限约损失一天，并与模式对中国梅雨期 La Niña 型条件反应过快、过强有关。该结果把“长期均值偏差”细化为随时效增长的可预报信息损失，支持把绝对场、异常、年循环与天气尺度扰动分开评估。可访问元数据仍未披露精确初始化列表、成员数/成员处理、验证降水、端点滤波和代码，因此当前只采用作者摘要层面的定量结论。

缓冲窗口的 M-JEPA 用 1979—2017 年 OLR 与 ERA5 的 850 hPa 比湿、风和位势高度做无降水自监督预训练，再冻结骨干，仅用 1998—2013 年 667 个窗口训练 GPM 降水读出；2018—2025 年 337 个 JJAS 窗口测试。模型用 5 d 上下文推进 7 d 潜空间，确定性分支带谱/趋势约束，概率分支用 16 成员 rectified flow。作者在 169 个匹配样本上报告公平 CRPS 6.81 mm d⁻¹，略优于 IFS ENS 的 6.89，差值置信区间 [-0.16,-0.001]；Brier skill score 为 0.05 对 -0.04，spread/RMSE 为 0.73 对 0.45。与此同时，IFS 在 10 mm 阈值的成员 FSS 为 0.63，高于 M-JEPA 的 0.53，说明点值概率分数与空间结构技巧并不等价。

关键边界必须保留：风暴对象由事后零相位 20—90 d 滤波 OLR 追踪，每天还使用未来风暴质心重置补丁中心，等于外部提供了平移路径。所有结果都在随风暴移动的局地坐标中，不能解释为从固定起报场端到端预测未来风暴位置。验证年份也处在自监督预训练覆盖期内，虽然降水标签留出，表示学习仍看过这些年份的无标签大气状态。它适合回答“跨变量表示是否保留可预报信号”，尚不能替代业务 S2S 系统。

3.4 core-air-quality：直接预测有新增，但未来驱动和极端校准仍未闭合#

Scientific Reports 论文使用上海 2021-07-01 至 2023-12-01 的逐小时空气质量数据，将多站空间特征交给 DenseNet，LSTM 表达时间依赖，再用随预报时效变化的时空注意力预测六种污染物。作者报告 PM2.5 RMSE 6.35 μg m⁻³、MAE 4.12 μg m⁻³、MAPE 19.64%、NSE 0.91、KGE 0.89，并用 Wilcoxon 检验比较 LSTM、GRU、Transformer 和 Informer。该工作是直接污染物预测，但可访问早期页面没有给出精确时效、站点数、冻结划分日期，以及目标时段气象信息是否来自真实预报，因而不能判断分数代表短时自回归记忆、分析场驱动还是可部署的未来预报。

29 城市 Research Square 预印本把这个问题直接做成协议实验。它用 OpenAQ PM2.5、北京 UCI 档案和 Open-Meteo/ERA5 气象，比较季节持续性、LightGBM、NAS-GRU、48M 参数 Chronos-Bolt-small 零样本与残差协变量版本；24 h 为主、48 h 为补充，做六折 rolling-origin、固定尺度 MASE、DM/符号/Wilcoxon-FDR、TOST、split conformal，以及实测能耗和成本。因果设定只允许目标时段使用最后一次已知天气，完美先知设定则输入真实未来天气。PM2.5 因果设定下 Chronos MASE 为 0.662±0.368，LightGBM 为 0.692±0.374；21/29 城市符号检验偏向 Chronos（p=0.024），但 Wilcoxon p=0.084，不能据此宣布稳定显著优势。完美未来天气可改变等效性与温度任务的模型排序，说明协变量合同足以制造“基础模型更强/更弱”的结论。

AirSentinel-Delhi 则补充了 24/48/72 h 实用基线。38 站 2015—2020 年训练/测试中，ST-GNN 相对持续性 RMSE 改善约 5.8%/9.9%/14.6%，但 DLinear 在 24 h 略好；2025-10 至 2026-03 的冻结模型回放只匹配到 21/38 节点，其他污染物以训练均值填补，整体仍改善约 9.4%/14.2%/14.1%。严重污染起始召回仅 0.10/0.21/0.24，24 h 严重事件 RMSE 还略差于持续性。仓库公开权重和回放脚本是一项可用基础设施变化，但没有概率区间，数据许可和正式发布也未冻结。

四、相关方法与基础设施#

4.1 DiffWind：在确定性预报上生成条件误差集合#

任务、数据与时间合同。 SIVA 每小时更新，提供 +1 至 +6 h、1 h 间隔的 10 m 风速预报；区域约为 115.35—122.33°E、29.88—35.81°N，网格 652×632、1 km。样本为 2021-10-01 至 2023-06-30，训练截至 2023-04-30，2023 年 5 月验证、6 月测试，训练用 256×256 补丁。目标不是风速本身，而是 log(nowcast)-log(analysis)；其中 SIVA analysis 由地形和密集站网订正，可作为工程参照场，但不是独立真值。

模型与比较。 条件 DDPM 以确定性 nowcast 为条件学习误差分布，DDIM 抽样 16 个误差后加回确定性预报。气候基线只按格点和时效拟合训练期高斯误差，不随当前流场条件变化。模型在两张 NVIDIA 5090 上训练 3,637,000 次迭代约 67 h；16 成员生成耗时按文中不同段落约为数分钟。Cosine 噪声日程在 bias、CRPS、RMSE 和可靠度上总体最稳定，频谱也更接近分析场。

作者结果与边界。 扩散集合相对确定性和气候误差集合降低 RMSE/CRPS、改善可靠度并恢复更多小尺度能量，但所有噪声日程仍偏欠离散，高风速尾部过平滑。验证期只有一个月，训练/气候基线不足两年，未用独立站点作真值，也没有跨季节或跨区域检验。代码归档约 0.6 MB、数据压缩包约 39.5 GB，二者 Zenodo 均为 CC BY 4.0；GitHub 虽公开但未检测到标准 LICENSE。对雷达和 S2S 的可借鉴点是“生成残差、保留动力锚”，但必须同时校准尾部、空间相关、集合离散度和参考场误差。

4.2 城市时序基础模型：计算成本不能替代因果输入审计#

Research Square 预印本覆盖 14 个数据丰富城市和 15 个数据稀缺城市，每城选 OpenAQ 覆盖最完整的一个传感器，并用 4 周历史作为 Chronos 上下文。零样本 Chronos 在多数 PM2.5 城市可与反复训练的 LightGBM 相当，一次推理的能耗/成本在频繁重训情景下约低一个数量级；但一次训练后长期复用的专用模型会摊薄这一差距。迁移微调在给定预算下没有显著超过零样本。论文还做 2024-10 之后的 10 城市污染检查以降低基础模型预训练污染风险，Chronos 与 specialist 的 MASE 分别约 0.415 和 0.395，Chronos 只在 6/10 城市更好。

其最可迁移的不是某个模型排名，而是把“最后已知天气”和“真实未来天气”并列，并要求每个结论在两种输入合同下重算。split conformal 提供区间，但论文的空气质量结论仍应补充分污染阈值的覆盖率、跨城市传感器差异和归档业务气象预报驱动。论文称代码有 v1.0-campaign 标签，而公开仓库 API 未发现 release/tag，这是可复现状态的待核实项。

4.3 Score-PFF：高维非高斯同化的可迁移算法，尚无真实大气证据#

该预印本以去噪 score matching 学习先验分布梯度，用神经 score 替代传统 particle flow filter 的高斯先验梯度，观测似然梯度仍按方程精确计算。实验仅在 40 维和 1000 维 Lorenz-96 上进行，观测 25% 状态量，约每日同化一次；包含线性、绝对值、平方和指数观测算子。40 维用 30 成员，1000 维用 20 成员。

作者报告先验调整可降低约 26.9%—29% 误差；非线性观测下相对 EAKF 的 RMSE 最多降低 60%，1000 维相对传统 PFF 降低 49.5%，并把 20 次实验运行时间从约 10.1 s 降到 6.3 s。结果说明 score 可以为强非高斯先验提供更合适的流场，但目前的稳定性保护是经验性的，没有真实观测、复杂模式误差、局地化和跨分辨率试验。论文声称的公共 GitHub 截止核验时返回 404，因此代码、权重和复现性仍未闭合。

4.4 雷达 QPE 与标定：上游误差会限制精细结构和极端阈值#

SOLA 论文比较站点独立 Kalman Filter、站点特异 SKF 和 Lagrangian LKF。LKF 用光流平流格点化的对数偏差场，在 176,008 个 15 min 雷达—雨量计配对样本上验证，并同时做 449 个留出站的 25% 空间划分和 2022-08-03 之后的独立时间划分。作者报告 LKF 将总体偏差从 -34.99% 改善至 -3.49%，时间留出从 -45.1% 改善至 -2.0%，相关系数由 0.567 升至 0.912；收益在距雨量计约 8—10 km 后明显衰减。它对 >30 mm h⁻¹ 强降水仍有改善，SKF 在小雨易过订正，LKF 较稳健。光流不表达生成消散、合并分裂和微物理变化，且 CMA 数据受限，因此它适合作为标签与输入偏差修正，不是回波未来预测。

Remote Sensing 的 X 波段对扫标定以已校准参考雷达和目标雷达的相向 RHI 扫描建立共同波束覆盖，比较中线九点与区域统计。58 个层状、离散和弱云案例中，作者报告相关系数约 0.821—0.942（中线）和 0.860—0.872（区域），偏差标准差约 1.39—2.20 dB 和 2.61—3.16 dB；30 min 内波动相关低于 0.05，均值约在 ±0.3 dB。弱回波仍需辅助验证。对多雷达 AI 数据集而言，这种标定不确定性应写入传感器/日期元数据，并在训练和外部测试中按雷达分层，而不是把所有差异交给模型吸收。

4.5 ERA5 与 AD4DVAR：参考场和空间几何都要进入证据链#

ERA5 同化窗口论文提醒，连续逐小时再分析并不保证对下游预报是平滑等价的初值序列。AD4DVAR 的 PR #142 则把 EPSG:5179 投影、PROJ 二进制/数据库/生成器哈希、采样覆盖、格点格架和证据摘要绑定到验证、FSO、回放和发布门槛，报告 511 tests 与 418 subtests。两者共同指向同一原则：空间距离、投影数据库、参考场版本和起报窗口位置都属于科学证据，而不是可以省略的软件细节。该仓库仍明确保持独立地面距离、多雷达结论为 HOLD，业务部署为 NO-GO；没有新技巧或业务结果。

五、机构信号、仅元数据、窗口外与排除项#

5.1 机构信号#

对 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、WMO 和 Copernicus/CAMS 官方页面进行了窗口内检查，没有发现可独立核实的新模型、业务上线、权重/数据发布或正式验证事件。DeepMind 8 月 6 日 WeatherNext 热带气旋材料、Met Office 和 ECMWF 8 月 20 日内容均在缓冲窗口之外，未重复填充本期更新。

5.2 仅元数据候选#

这些论文均未镜像图件：PCFNet 具体复用许可和图注未核实；两篇 NC-ND 论文不允许本站制作转换版，且当前也缺少可核验的具体图件链。

5.3 窗口外、例行变化与低价值排除#

六、对当前研究的具体启发#

1. 把年循环漂移从异常技巧中剥离。 S2S 评估应同时给绝对场、去气候态异常、年循环相位/振幅和天气尺度分量，并逐时效比较。否则模式的季节推进过快可能被误写成“局地降尺度失败”或“AI 模型失去结构”。
2. 跨变量预训练可以保留降水信息，但对象移动不能偷渡。 M-JEPA 的 OLR/动力场预训练说明无降水标签也能形成有效读出；正式比较必须让模型自己预测位移，或固定在地理坐标评估，不能用未来质心把位置误差移除。
3. 生成误差比从零生成绝对场更容易保留动力锚。 DiffWind 的条件误差集合适合迁移到雷达—模式融合、NWP 后处理和 S2S 降尺度；需要额外约束极端尾部、空间相关、能谱、质量/水量守恒与 spread-skill，不能只看均方误差。
4. 未来协变量必须按起报时可用性分层。 AQ 和区域后处理至少应同时报告历史-only、归档业务预报驱动、分析/完美未来驱动三档；第三档只能用于误差归因上限，不能与可部署结果混在一张排行榜。
5. 再分析的小时序列不是同质初值集合。 训练样本和敏感性试验需保存 ERA5 同化窗口位置，并在窗口内/边界分层；相邻一小时差异不能自动当作随机初值扰动。
6. 上游雷达偏差决定下游“精细结构”的可信上限。 QPE 偏差订正和雷达标定要与预测模型分开报告，并用留站、留时段、留雷达的外部验证确认。训练标签若在强降水或距雨量计较远处系统失真，AI 恢复的小尺度可能只是标定纹理。
7. 概率评估必须进入极端事件。 本期直接 AQ 模型和 AirSentinel 都缺少可靠度与阈值覆盖；DiffWind 又在高风速尾部欠离散。建议固定 CRPS、Brier、可靠度、rank histogram/覆盖率、对象/谱指标和强阈值成本损失的共同样本面板。

七、后续跟进触发器#

• ECMWF S2S 年循环： 全文/补充公开后核实初始化、集合成员、降水参照、滤波端点和“约一天”定义；复现到 ECMWF 其他年份及 NCEP/CMA/UKMO/AI 模型，并区分绝对场与异常。
• M-JEPA： 公开代码/权重；去除事后零相位滤波和未来质心；固定地理坐标端到端 1—7 d；在共同初始化上补充对象位置、FSS、极端阈值、可靠度和跨季节/跨区域测试。
• Scientific Reports 上海 AQ： 核实站数、预报时效、冻结时间划分、气象协变量可用时刻、极端事件和外部城市；公开代码/权重与概率区间后再判断业务价值。
• 城市 TSFM： 公开可验证的 v1.0-campaign 标签；用归档业务天气预报替代 last-known/perfect 两个极端；报告阈值覆盖、传感器差异和预训练污染审计。
• DiffWind： 跨季节/区域/独立站点验证；统一 16 成员运行时间口径；高风速尾部、空间相关和 spread-skill 校准；迁移到降水/雷达时保留质量守恒和共同样本基线。
• ERA5 窗口： 多事件、多区域和多资料循环复现；公布同化窗口标签、代码与初值差异诊断；在 AI 训练/评估中做边界分层。
• 雷达 QPE/标定： 公共参考实现和可审计样本；跨雷达/季节/距离/强度分层；把订正不确定性传播到临近预报集合和阈值评分。
• PCFNet 与 WRF–CMAQ： 取得官方摘要/全文和输入—输出时刻合同后再分类；在此之前不因题名把它们升级为核心结果。
• 仓库触发器： AirSentinel 冻结 release、完整数据许可证、未调参跨年代检验与概率校准；AD4DVAR 只有出现真实事件技巧、多雷达确认或业务门槛变化才算下一科研事件。

八、检索覆盖、图件与证据边界#

本轮分源检查了 arXiv、OpenReview、Crossref、OpenAlex、Semantic Scholar、AGU/Wiley、Springer Nature、Copernicus/GMD、IOP、Elsevier、MDPI、GitHub、Zenodo、Hugging Face，以及主要业务和机构页面。聚合器仅作发现入口；正式状态、日期、许可和仓库变化尽量回到一手来源。OpenAlex 和 Semantic Scholar 的 429/索引延迟已作为覆盖限制记录，未用旧论文、未来卷期或宽泛机构新闻填补列表。

本期只镜像 GMD 论文 Figure 2。论文与具体图件均为 CC BY 4.0，原始图注、无第三方署名、来源 URL、许可链接、尺寸、修改记录和 SHA-256 已写入同目录 metadata.json；图片字节未修改。其余高价值论文因 NC-ND、Wiley VOR/TDM、arXiv 默认非独占许可、具体图注/许可链未核实或来源页不足而不复制，仅链接原文。本站未公开镜像论文 PDF、受限图件、内部数据或来源不明图片。

九、简短结论#

2026-08-25 的有效信号集中在“预报合同如何决定表面技能”。ECMWF S2S 年循环漂移展示了可预报信息怎样随时效损失；M-JEPA 展示了跨变量表示和概率读出的潜力，也暴露了事后对象追踪的非业务上限；DiffWind 证明生成式模型可以围绕动力锚生成误差集合，但尾部欠离散仍未解决；空气质量研究再次表明未来天气可用性可以改写模型排名。对当前工作最应立即固定的，是起报可用变量表、绝对场/异常分解、参考场与同化窗口、共同样本结构指标，以及极端事件概率校准。