ERA5
欧洲中期天气预报中心（ECMWF）发布的第五代全球大气再分析数据集，广泛用于气象研究和机器学习模型训练
时间轴 (近 90 天)
主流 AI 气象模型在 ECMWF ERA5 再分析数据上训练，已在多项指标上接近甚至超越传统数值天气预报（NWP）
在基于历史ERA5再分析数据训练的模拟器上，固定CO₂的反事实设定下ReRoute能保留观测边界条件隐含的更多地表增暖信号，表现优于基线
ERA5再分析数据是由欧洲中期天气预报中心（ECMWF）发布的全球大气再分析数据集，提供1940年至今逐小时的三维大气状态估计
SSU-LSF 在 CropHarvest、NDVI-LST、ERA5 三个基准上的混杂削减率分别为 0.773、0.821、0.859
在 ERA5 上 SSU-LSF 遗忘后最坏情况的 RMSE 退化为 4.2%
使用ERA5同时作为训练目标和评估参考会引入循环论证风险，因为其本身是模型推算而非直接观测的产物
AI天气模型的核心逻辑是把大气初始状态类比为token输入模型，预测下一状态（如6小时后），并通过自回归方式继续推演，与LLM逐token生成方式相似
FourCastNet、Pangu-Weather、GraphCast 等 AI 天气模型通过在 ERA5 等长期再分析数据集上训练，学习大气动力学的统计规律
公开气象数据（如NASA POWER、ERA5再分析数据）的空间分辨率通常在数十公里级别，与乡镇级行政单元的匹配精度有限
全部知识事实 (9)
主流 AI 气象模型在 ECMWF ERA5 再分析数据上训练，已在多项指标上接近甚至超越传统数值天气预报（NWP）
50%待验证在基于历史ERA5再分析数据训练的模拟器上，固定CO₂的反事实设定下ReRoute能保留观测边界条件隐含的更多地表增暖信号，表现优于基线
50%待验证ERA5再分析数据是由欧洲中期天气预报中心（ECMWF）发布的全球大气再分析数据集，提供1940年至今逐小时的三维大气状态估计
50%待验证SSU-LSF 在 CropHarvest、NDVI-LST、ERA5 三个基准上的混杂削减率分别为 0.773、0.821、0.859
50%待验证在 ERA5 上 SSU-LSF 遗忘后最坏情况的 RMSE 退化为 4.2%
50%待验证使用ERA5同时作为训练目标和评估参考会引入循环论证风险，因为其本身是模型推算而非直接观测的产物
50%待验证AI天气模型的核心逻辑是把大气初始状态类比为token输入模型，预测下一状态（如6小时后），并通过自回归方式继续推演，与LLM逐token生成方式相似
50%待验证FourCastNet、Pangu-Weather、GraphCast 等 AI 天气模型通过在 ERA5 等长期再分析数据集上训练，学习大气动力学的统计规律
50%待验证公开气象数据（如NASA POWER、ERA5再分析数据）的空间分辨率通常在数十公里级别，与乡镇级行政单元的匹配精度有限
50%