本文提出了一种基于神经网络的灵活的天气预测统计后处理技术,可以自动学习非线性关系,显著优于传统后处理方法,并可以被扩展到其他统计后处理和预测问题。
May, 2018
准确的降水预报在决策制定中具有很高的社会经济价值,我们提出了一种全球统计后处理方法来处理基于格点的降水集合预报,该方法基于 U-Net 实现分布回归来预测参数分布,与现有的后处理方法相比,分布回归 U-Net 在连续分级概率评分方面取得了可比的性能,但在高气候降水区域无法提供校准的预报,而在强降水事件的预测能力方面,它们优于分位数回归森林和带有超尾扩展的半参数分位数回归森林。
Jul, 2024
利用生成型人工智能技术,从现有的少量预测数据中生成具有可靠性且准确度高的气象预测,且比传统方法成本少。
Jun, 2023
通过分布回归和集成学习方法,可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集,并提供不确定性估计。通过与基准模型的比较,确定了层叠方法是最有效的策略,而在特定的分位数水平下,具体的层叠方法会有所不同,因此使用多个算法进行任务特定的组合可能会带来显著的好处。
Jun, 2024
该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法,以提高时间序列预测模型的准确性和鲁棒性,并演示了其在空气污染管理,能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。
Apr, 2023
本文介绍了一种名为集合 Copula 耦合(ECC)的多阶段过程,在未来天气预测等诸多领域应用广泛。该方法通过将离散的天气数据重新排列生成连续的模拟结果,通过对结果的不确定性进行量化对其进行校准,可以有效提高天气等预测的准确性。
Feb, 2013
我们提出了一个实用的多模式集成天气预报系统,该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心(ECMWF)海洋模型相结合,在 4 周的前期预测全球天气,分辨率为 1 度。对于 2 米温度的预测,我们的集成模型相比于原始的 ECMWF 扩展范围集成模型,在平均性能上提高了 4-17%(根据预测提前期而定)。然而,在应用统计偏差修正之后,ECMWF 集成模型在 4 周时相比较好,优势约为 3%。对于其他地表参数,我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。
Mar, 2024
本研究使用置换不变的神经网络对天气预报中使用的数值模拟预报集合进行统计后处理,以将原始集合转化为可靠的概率预测分布。通过对比传统方法和神经网络基准方法,我们评估了所获得的预测分布的校准性和锐度,并在针对地表温度和阵风预报的案例研究中展示了最先进的预测质量。为了加深对学习推断过程的理解,我们进一步提出了一种基于置换的重要性分析方法,用于突出训练后处理模型认为重要的集合预测的特定方面。我们的结果表明,大部分相关信息都包含在少数集合内部的自由度中,这可能影响未来集合预测和后处理系统的设计。
Sep, 2023
该论文研究了多输出模型组成的集成在多步预测问题中的应用,通过对 3568 个时间序列数据集和 30 个多输出模型的案例研究表明,基于仲裁和分窗策略的动态集成在多步预测中表现最好。
气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架,用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型,并对观测和地球系统模型数据进行映射,我们的方法能够纠正任何地球系统模型的地理要素,确保了统计质量并保留了大尺度空间模式。
Apr, 2024