arXiv:2504.18720v3 Announce Type: replace 
Abstract: Deep learning has advanced weather forecasting, but accurate predictions first require identifying the current state of the atmosphere from observational data. In this work, we introduce Appa, a score-based data assimilation model generating global atmospheric trajectories at 0.25\si{\degree} resolution and 1-hour intervals. Powered by a 565M-parameter latent diffusion model trained on ERA5, Appa can be conditioned on arbitrary observations to infer plausible trajectories, without retraining. Our probabilistic framework handles reanalysis, filtering, and forecasting, within a single model, producing physically consistent reconstructions from various inputs. Results establish latent score-based data assimilation as a promising foundation for future global atmospheric modeling systems.

أبّا هو نموذج جديد لدمج البيانات يعتمد على الدرجات، مما يعزز التنبؤات الجوية من خلال توليد مسارات جوية عالمية بدقة 0.25 درجة وفواصل زمنية مدتها ساعة واحدة. يعتمد أبّا على نموذج انتشار كامن يحتوي على 565 مليون معلمة تم تدريبه على بيانات ERA5، ويمكنه استنتاج مسارات جوية محتملة بناءً على ملاحظات عشوائية دون الحاجة إلى إعادة التدريب. يتضمن هذا الإطار الاحتمالي إعادة التحليل، والترشيح، والتنبؤ في نموذج واحد، مما يوفر إعادة بناء متسقة جسديًا من مدخلات متنوعة.

Appa es un nuevo modelo de asimilación de datos basado en puntuaciones que mejora la predicción del tiempo al generar trayectorias atmosféricas globales con una resolución de 0.25° y a intervalos de una hora. Utilizando un modelo de difusión latente de 565 millones de parámetros entrenado con datos de ERA5, Appa puede inferir trayectorias atmosféricas plausibles a partir de observaciones arbitrarias sin necesidad de reentrenamiento. Este marco probabilístico integra reanálisis, filtrado y pronóstico en un solo modelo, ofreciendo reconstrucciones físicamente coherentes a partir de diversas entr…

Appa est un nouveau modèle d'assimilation de données basé sur des scores qui améliore les prévisions météorologiques en générant des trajectoires atmosphériques mondiales à une résolution de 0,25° et à des intervalles d'une heure. Utilisant un modèle de diffusion latent de 565 millions de paramètres entraîné sur des données ERA5, Appa peut inférer des trajectoires atmosphériques plausibles à partir d'observations arbitraires sans nécessiter de réentraînement. Ce cadre probabiliste intègre la réanalyse, le filtrage et la prévision dans un seul modèle, offrant des reconstructions physiquement co…

Appa is a newly introduced score-based data assimilation model that enhances weather forecasting by generating global atmospheric trajectories at a 0.25° resolution and 1-hour intervals. Utilizing a 565M-parameter latent diffusion model trained on ERA5 data, Appa can infer plausible atmospheric trajectories based on arbitrary observations without the need for retraining. This probabilistic framework integrates reanalysis, filtering, and forecasting into a single model, offering physically consistent reconstructions from diverse inputs.

Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation

arXiv:2511.17176v1 Announce Type: cross 
Abstract: Accurate prediction of extreme weather events remains a major challenge for artificial intelligence based weather prediction systems. While deterministic models such as FuXi, GraphCast, and SFNO have achieved competitive forecast skill relative to numerical weather prediction, their ability to represent uncertainty and capture extremes is still limited. This study investigates how state of the art deterministic artificial intelligence based models respond to initial-condition perturbations and evaluates the resulting ensembles in forecasting extremes. Using three perturbation strategies (Gaussian noise, Hemispheric Centered Bred Vectors, and Huge Ensembles), we generate 50 member ensembles for two major events in August 2022: the Pakistan floods and the China heatwave. Ensemble skill is assessed against ERA5 and compared with IFS ENS and the probabilistic AIFSENS model using deterministic and probabilistic metrics. Results show that flow dependent perturbations produce the most realistic ensemble spread and highest probabilistic skill, narrowing but not closing the performance gap with numerical weather prediction ensembles. Across variables, artificial intelligence based weather models capture temperature extremes more effectively than precipitation. These findings demonstrate that input perturbations can extend deterministic models toward probabilistic forecasting, paving the way for approaches that combine flow dependent perturbations with generative or latent-space uncertainty modeling for reliable artificial intelligence-driven early warning systems.

تبرز دراسة حديثة قيود نماذج التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي في التنبؤ بدقة بالأحداث الجوية المتطرفة. على الرغم من التقدم في النماذج الحتمية مثل FuXi وGraphCast وSFNO، إلا أن قدرتها على تمثيل عدم اليقين والتقاط الأحداث المتطرفة لا تزال محدودة. تقيم الدراسة أداء هذه النماذج باستخدام تقنيات التنبؤ بالفرق خلال أحداث مهمة في أغسطس 2022، بما في ذلك الفيضانات في باكستان وموجة الحر في الصين.

Un estudio reciente destaca las limitaciones de los modelos de predicción meteorológica basados en inteligencia artificial para predecir con precisión eventos climáticos extremos. A pesar de los avances en modelos deterministas como FuXi, GraphCast y SFNO, su capacidad para representar la incertidumbre y capturar extremos sigue siendo limitada. La investigación evalúa el rendimiento de estos modelos utilizando técnicas de pronóstico por conjuntos durante eventos significativos en agosto de 2022, incluidos las inundaciones en Pakistán y la ola de calor en China.

Une étude récente met en lumière les limites des modèles de prévision météorologique basés sur l'intelligence artificielle dans la prévision précise des événements météorologiques extrêmes. Malgré les avancées des modèles déterministes tels que FuXi, GraphCast et SFNO, leur capacité à représenter l'incertitude et à prédire les extrêmes reste contrainte. La recherche évalue la performance de ces modèles en utilisant des techniques de prévision par ensemble lors d'événements significatifs en août 2022, y compris les inondations au Pakistan et la vague de chaleur en Chine.

A recent study highlights the limitations of artificial intelligence-based weather prediction models in accurately forecasting extreme weather events. Despite advancements in deterministic models like FuXi, GraphCast, and SFNO, their capacity to represent uncertainty and predict extremes remains constrained. The research evaluates the performance of these models using ensemble forecasting techniques during significant events in August 2022, including the Pakistan floods and the China heatwave.

Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation

Was this article worth reading? Share it

Https

Graphite Note

OneSky Localization Agent