用于后处理集合天气预报的神经网络
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
通过评估后处理方法在模型链方法中的应用策略，我们的研究旨在系统地评估不应用任何后处理，仅在转换之前对辐照度预测进行后处理，仅对模型链获得的太阳能预测进行后处理或在两个步骤中应用后处理等方法，并且我们提出了一种基于神经网络的直接太阳能预测模型。结果表明，后处理显著改善了太阳能发电预测，尤其是在电力预测中应用后处理。机器学习方法稍微提供了更好的概率预测，而直接预测方法与后处理策略相当。
Jun, 2024
通过使用神经网络在欧洲中程天气预报中的操作性集成预测系统（IFS）中开发模型误差校正来改进天气预报的准确性，并通过在线训练进一步提高混合模型的准确性。
Mar, 2024
使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。
May, 2024
利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。
Mar, 2020
本文介绍了一种基于神经网络的天气预测模型，可以在大范围内预测未来十二小时的降水，并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好，进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。
Nov, 2021
本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。
Jun, 2023
本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。
Jul, 2023