近日，大气物理学院博士研究生徐孝泽（导师：高志球教授和韩威教授）与合作者联合攻关，在人工智能大模型研究领域取得新突破，成功开发出用于卫星观测数据同化的通用深度学习框架——FuXi-DA。相关成果发表于国际顶级期刊《npj Climate and Atmospheric Science》，标志着我国在人工智能气象数据同化领域已实现关键技术领先。
传统资料同化系统面临挑战
天气预报的准确性高度依赖初始场的精度，然而传统数值天气预报（NWP）的资料同化（DA）系统在处理每日数以亿计的多源卫星观测时，面临着观测利用率低和计算开销巨大的难题。一方面，现有系统因观测误差相关性难以估计及计算资源限制，需对观测进行稀疏化处理，导致大量卫星观测仅在晴空条件下同化，部分复杂观测算子的观测难以应用。另一方面，像4D-Var、EnKF和EnVar等传统DA方法计算量庞大，且随着观测系统发展，这一问题愈发突出。此外，新一代深度学习天气预报模型虽潜力巨大，但仍依赖传统DA系统提供初始场，亟需高效智能的AI同化框架。
FuXi-DA框架实现三大技术革新
在技术架构上，FuXi-DA突破传统数据同化模式，展现三大核心创新：
一是首创超级观测智能处理技术：通过0.25°高分辨率“超级观测”替代传统稀疏化处理，首次实现卫星观测信息零损耗保留，解决了传统系统因观测删减导致的信息丢失难题。
二是颠覆传统观测算子依赖：采用双分支神经网络独立编码背景场与卫星观测，在特征空间完成智能融合，彻底摆脱复杂观测算子带来的计算误差与应用瓶颈，这一创新使卫星数据同化效率提升数十倍。
三是构建同化-预报联合训练体系：创新性将同化模型与FuXi预报模型深度耦合，引入未来6-60小时（10步）预报监督信号，通过动态反馈优化初始场动力一致性，为长时效精准预报奠定底层技术基础。
这些创新突破了传统数值预报与深度学习模型的协同壁垒，被审稿人评价为“开启了AI原生数据同化的新范式”。
试验验证效果显著
研究设计了同化试验（EXP_ASSI）、修正试验（EXP_CORR）和对照试验（EXP_CTRL）三种配置来评估FuXi-DA的性能。结果显示，其分析误差大幅下降，R300、R500、Z300和Z500的RMSE分别降低约4.47%、2.77%、3.01%和2.02%；预报精度显著提升，7天以内全球Z500 RMSE显著降低，第1天减少0.67%，第7天减少0.34%，且联合优化提升了长期预报表现。同时，该框架具有可解释性，单观测测试的分析增量与通道探测性质一致，能自动区分晴空和有云观测，且计算高效，0.1秒内可完成一次同化模型推理。
实验结果
多方联合攻关，成果意义重大
该研究由南京信息工程大学、中国气象局、上海科学智能研究院和复旦大学等多家单位联合完成，是学科交叉融合与产学研协同创新的标志性成果。团队紧密结合气象科学与人工智能前沿技术，依托中国气象局丰富观测资料，实现了基础研究、技术创新与应用需求的有机衔接。FuXi-DA的成功，为未来打造端到端、智能化的全球气象预报系统奠定了坚实基础，在全球气象科技发展中具有重要意义。
