近日，南京大学大气科学学院袁慧玲教授课题组联合中国科学院大气物理研究所、德国慕尼黑工业大学等单位，在《npj Climate and Atmospheric Science》发表题为“Generative assimilation and prediction for weather and climate”的论文，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、季节预测和气候模拟纳入同一生成式建模框架，为构建贯通观测、天气与气候的无缝隙预测体系提供了新思路。
当前人工智能天气模型虽在中期预报中表现突出，但普遍依赖独立的同化系统提供初值，且长时间积分易出现误差累积和漂移。研究团队将同化与预测统一视为对大气状态概率分布的约束与演化：GAP利用生成模型从ERA5再分析资料中学习气候态分布，再在推理阶段灵活引入观测、预报和海温强迫约束，无需针对不同任务分别训练（图1）。
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。
研究团队通过多组数值试验，系统评估了GAP在资料同化、天气预报、季节预测和长期气候模拟中的表现。
在资料同化方面，GAP生成的同化分析场能够提供合理的不确定性估计，其集合离散度与分析误差的空间分布具有较好的一致性。在观测系统模拟试验（OSSE）中，研究以ERA5再分析资料作为参考真值，仅在约5%的格点位置提供包含观测误差的合成观测。在同化分析的基础上，GAP展现出具有竞争力的中期天气预报能力：其500 hPa位势高度的中期预报技巧较盘古、GraphCast等确定性人工智能模型提升约3%–14%，概率预报技巧与ECMWF集合预报系统相当。模型还能够较好地刻画台风、大气河、热浪和MJO（Madden–Julian Oscillation）等重要天气气候现象。
在季节预测方面，引入简单的海温持续性约束后，GAP对提前2个月和3个月的2 m气温预测，其距平相关系数（ACC）分别达到0.462和0.396，高于ECMWF SEAS5在相应预测时效下的0.432和0.376（图2）。在长期气候模拟方面，GAP能够实现超过1000年的稳定积分，并在长时间积分过程中自发再现热带气旋、阻塞和北极涛动等重要天气气候现象及变率特征，展现出生成式模型模拟长期大气演变的潜力。
上述结果表明，生成式框架GAP能够统一资料同化、天气预报、季节预测与长期气候模拟，在不同时间尺度上展现出良好的预测与模拟能力，为构建“从观测到气候”的无缝隙预测体系开辟了新路径。
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和奈聪毅，通讯作者为南京大学袁慧玲教授、中国科学院大气物理研究所潘宝祥研究员和德国慕尼黑工业大学Niklas Boers教授。研究得到国家自然科学基金（U2342218）和国家重点研发计划（2023YFC3007700）等项目资助。
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.*, & 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