使用机器学习改善西部地区的亚季节预测
通过研究不同的机器学习方法,包括梯度提升和深度学习等,对美国本土的次季气候预测(SSF)进行了研究,发现通过精细构建特征表示方法,即使是简单的线性回归模型,如 Lasso,都可以取得良好的表现。期望通过研究特征的重要性,实现对气候和土地等协变量预测的进一步改善。
Jun, 2020
超过 2 周的熟练次季节预测对社会各个领域的广泛应用至关重要。本研究介绍了基于机器学习的 FuXi-S2S 次季节预测模型,它以全球每日平均预测为特点,覆盖了 13 个压力层上的 5 个高层大气变量和 11 个地表变量,提供了高达 42 天的预测。与 ECMWF 的次季节预测相比,FuXi-S2S 模型在总降水、出射长波辐射和 500 hPa 高空位势等方面展示出优越的确定性和集合预测,对 Madden Julian Oscillation (MJO) 的预测从 30 天延长到 36 天。
Dec, 2023
使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量,并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测,DLWP 集合在 4-6 周的前导时间内表现良好,但在更短的前导时间内表现稍差与 ECMWF 相比。
Feb, 2021
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
借助预训练的 Pangu 模型和基于电涡流的时间模块,我们的研究提出了一种电涡流通知变压器方法,能够改善未来天气状况的预测能力并提高输出的空间精度。此外,我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。
Jan, 2024
通过将深度学习和数值天气预报(NWP)相结合,我们提出了一种改进短期全球降水预报的混合模型,并证实其可显著提高预报技能和减小均值偏差。
Jun, 2022
该研究论文介绍了一种利用机器学习方法来在山区进行天气预测的方法,使用当前观测数据和周围平原预测数据进行插值,以间接地结合数值模拟和机器学习。同时还探讨了在降水预测中使用二元交叉熵的方法。
Aug, 2023
该研究通过应用机器学习算法,分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就,并提供了有价值的洞察和特征相关性。
Feb, 2024
使用机器学习代理模型和部分、嘈杂观测,本研究调查在线天气预测。我们经验性地证明并理论上证明,尽管代理模型长期不稳定且观测稀疏,但滤波估计在长期时间范围内仍然准确。作为一个案例研究,我们在变分数据同化框架中使用 FourCastNet,一种最先进的天气代理模型,使用部分、嘈杂的 ERA5 数据。我们的结果表明,在一年的同化窗口中,滤波估计保持准确,并为包括极端事件预测在内的预测任务提供有效的初始条件。
May, 2024