Anemoi applications | ECMWF

AICON

• 德国国家气象局用自己的数据体系，训练AICON并真正部署进业务 | 那么预报员怎么说？
• https://arxiv.org/pdf/2608.24651

德国国家气象局用自己的数据体系，训练AICON并真正部署进业务 (预报员, 国家气象业务)

1. Anemoi 框架
2. 接使用 ICON 的 terrain-following 模式层
3. 宁愿牺牲部分长时效 RMSE，也尽量保住高分辨率 ICON-DREAM 里的小尺度信息
4. 用 flip-flop index 衡量这种逐次预报的不一致 (业务价值：预报一致性。一个不乱跳的模式，对预报员的信任建立和决策辅助，可能比 RMSE 的微小提升更实在。)
5. 平滑问题没有彻底解决 (球谐功率谱分析)
   1. First, the data of ICON forecasts, AICON forecasts, ICON operational analysis (ICON ANA) and ICON-DREAM reanalysis on each model level separately have been horizontally interpolated from the original irregular R03B07icosahedral grid to a full Gaussian F640 grid (with 1280 Gaussian-spaced latitudes and 2560 Gaussian-spaced longitudes,approx. 0.14°), using first order conservative mapping with cdo remapcon.
   2. The resulting 2D global fields are transformed into spherical wave components after subtraction of the cell-area-weighted global mean value. The subtraction of the global mean ensures that the integral over the full spectra equals the variance. Power spectra are obtained by the sum of squared amplitudes of the components for each spatial scale to measure how much variance exists at different scales (wavelengths).
   3. 
6. 台风路径好，强度弱

AICON 预测产品进入 DWD 数据分发体系和天气预警业务。

1. 软件栈采用 containerization
2. 放弃 bit-wise reproducibility

Nested-EAGLE (NOAA)

• 天气模式一定要分全球和区域吗？NOAA给出了一个AI答案
• https://arxiv.org/abs/2608.26822

1. Anemoi 框架
2. 把短时和中期合成一个系统。
3. 在 0.25° 全球网格上，嵌入一个 6 km 的 CONUS 精细化区域。模型的状态空间由两部分拼成——CONUS 上用 HRRR 数据（从 3 km 保守重网格到 6 km，用 Lambert 等角圆锥投影），全球其余部分用 GFS 数据（0.25° 经纬网格）。
4. 模型是自回归的，输入 t 和 t−6h 两个时刻，预测 t+6h，采用 encoder–processor–decoder 的图 transformer 架构。关键差异在 latent mesh（潜网格）：它比数据空间粗约 16 倍（全球 O96 八面体网格），但在 CONUS 上保持相对更高的分辨率——这样模型既能看到全球天气尺度，又能聚焦 CONUS 的局地结构。
5. 训练用 8 年数据（2015 年 2 月–2023 年 1 月，共 11,616 个样本），验证 1 年，测试 1 年（2024 年 2 月–2025 年 1 月）。基准线有三个：业务 GFS、业务 HRRR、以及一个几乎相同但只用 GFS 数据训练的 ML-GFS-Base（用来隔离"嵌套 HRRR 数据"的作用）。
6. 近地面全面领先
7. 这是论文最有价值的实验。一个根本问题是：Nested-EAGLE 相对 ML-GFS-Base 的增益，究竟是推理时喂给它更好的 HRRR 初始场带来的，还是训练时把 HRRR 数据学进了模型权重？
   1. 结论：技巧是训练时学到的（baked into the model weights），并能在推理时携带过去，即使初始条件不那么准。这一方面说明模型对退化的初始条件是稳健的；另一方面也意味着，单纯升级初始条件不会立刻改善预报，必须把改进纳入训练才能让 ML 模型受益。
8. Nested-EAGLE 在本质上学会了"把 GFS 分析校正到 HRRR 分析"这个映射，并把这种校正能力延伸到了预报中。
9. 降水：位置准，幅度糊
10. 目标区外：技巧不迁移