Aardvark Weather：解耦观测与模型不确定性的端到端概率气象预报

端到端天气预报系统直接从原始地球观测数据中生成具有技巧性的全球网格化和站点预报，取代了包括数据同化在内的数值天气预报流程，且成本仅为后者的零头。这些系统是确定性的，不提供任何不确定性信息。在此，我们通过为每个组件附加一种随机机制，使 Aardvark Weather 模型具备概率特性：在观测编码器处引入学习的、依赖于输入的噪声，以捕捉源自观测系统的偶然不确定性；在处理器中使用蒙特卡洛 Dropout，以捕捉学习到的动力学中的认知不确定性。由此产生的嵌套集合通过全方差定律分解，将预报离散度归因于这两个来源，并通过留出观测流进行交叉验证。概率微调显著提高了平均预报水平，在变量和预报时效上平均提升了 4.2%。该集合通过与 ERA5 进行校准，在中期范围内（分散-技巧比率为 0.98）表现良好，保持站点均方根误差在确定性模型的 2.4% 以内，同时在所有预报时效下的连续秩概率评分（CRPS）上优于确定性模型，但略逊于 ECMWF 的操作性集合。编码器分支表现为由观测驱动的不确定性。基于组件归因的不确定性使端到端预报更加透明，这是迈向大气观测驱动数字孪生的一步。