近日，中国科学院大气物理研究所联合南京大学、德国慕尼黑工业大学等单位，在国际学术期刊npj Climate and Atmospheric Science发表题为“Generative assimilation and prediction for weather and climate”的研究论文。研究提出生成式同化与预测框架（Generative Assimilation and Prediction，GAP），将资料同化、天气预报、季节预测和长期气候模拟统一于同一生成式建模框架，为发展无缝隙天气气候预测系统提供了新思路。

近年来，人工智能模型在中期天气预报中取得显著进展，但现有模型通常依赖独立的资料同化系统提供初始场，且长时间积分容易出现误差累积和气候态漂移。针对这些问题，研究团队利用扩散生成模型从ERA5再分析资料中学习大气状态的气候学概率分布，并在推理阶段通过后验采样引入观测、预报及海温等外部约束，使同一模型能够适用于不同时间尺度的同化与预测任务，无需针对各项任务分别训练。

图1 GAP生成式同化与预测框架示意图。 在资料同化阶段，观测信息不断收窄大气状态的概率分布；进入预报阶段后，随着预报时效延长，大气状态分布逐渐向受外部强迫调制的气候态演变。

研究团队通过多组试验系统评估了GAP在不同时间尺度上的表现。在资料同化方面，GAP能够利用稀疏观测生成完整的大气分析场，并提供合理的不确定性估计。在仅使用约5%格点合成观测的观测系统模拟试验中，模型生成的分析场具有较好的空间结构，集合离散度与分析误差的空间分布较为一致。在中期天气预报方面，GAP的500 hPa位势高度预报技巧较Pangu、GraphCast等确定性人工智能模型提高约3%–14%，概率预报技巧与ECMWF集合预报系统相当，并能较好地刻画台风、大气河、热浪及MJO等重要天气气候现象。

在季节预测方面，通过引入简单的海温持续性约束，GAP对提前2个月和3个月的全球2 m气温预测，其距平相关系数分别达到0.462和0.396，高于ECMWF SEAS5在相应试验中的0.432和0.376。在长期气候模拟方面，GAP实现了超过1000年的稳定积分，能够维持合理的气候统计特征，并再现热带气旋、大气阻塞和北极涛动等典型天气气候现象及变率特征，展现出生成式模型开展长期气候模拟的潜力。

该研究表明，基于统一的大气状态概率分布建模，生成式框架能够贯通资料同化、天气预报、季节预测和长期气候模拟，为构建融合观测信息与多时间尺度大气演变的天气气候一体化预测系统提供了新的技术途径。

图2 GAP在中期天气预报（A–C）和季节预测（D–I）中的预报性能。图中对比了GAP与主流人工智能天气模型、ECMWF集合预报系统及SEAS5季节预测系统的相关预测技巧。

论文共同第一作者为杨尚上博士生和奈聪毅博士生，中国科学院大气物理研究所潘宝祥副研究员、南京大学袁慧玲教授和德国慕尼黑工业大学Niklas Boers教授为共同通讯作者。

论文信息：

Yang, S., Nai, C., Liu, X., Li, W., Chao, J., Wang, J., Wang, L., Li, L., Li, X., Chen, X., Lu, B., Li, X., Xiao, Z., Boers, N., Yuan, H., and Pan, B., 2026: Generative assimilation and prediction for weather and climate. npj Climate and Atmospheric Science, 9, 218. https://doi.org/10.1038/s41612-026-01585-4 .