KDDSep, 2019

利用卫星图像和注意力深度模型对热带气旋快速强化进行基准测试

PDF
TL;DR本研究构建了一个基于卫星图像数据的热带气旋快速加强预测基准并展示了深度学习在解决复杂气象问题方面，如快速加强预测中的优越性能。
rapid intensificationtropical cyclonesmachine learningsatellite imagesdeep learning
发现论文，激发创造
  • 处理时间异质性卫星数据实现实时热带气旋强度估计

    提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

    Oct, 2020

  • 使用视觉转换器进行台风强度预测

    利用卫星图像进行场景分析以准确预测台风强度，引入自注意力机制的 “Typhoon Intensity Transformer”（Tint）通过每层具有全局感受野的自注意力操作，提升了局部和全局上下文关系的提取能力，并在公开的台风基准测试中验证了其在深度学习和常规气象方法方面的有效性。

    Nov, 2023

  • 从卫星图像到灾难洞察

    本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

    Dec, 2018

  • 级联扩散模型预测热带气旋

    通过整合卫星成像、遥感和大气数据，利用扩散模型进行研究，采用级联方法进行气旋路径预测和降水模拟，从而实现具有高准确性的预测，适用于对预测需求迫切、且受限于资金的高度脆弱地区的特殊气象需求。

    Oct, 2023

  • 热带气旋登陆强度、位置和时间的预测

    本文利用基于长短时记忆的循环神经网络模型，预测北印度洋起源热带气旋的登陆强度、位置和时间，在预测结果中取得了非常高的准确度。

    Mar, 2021

  • 气候适应：从不平衡卫星数据中可靠地预测

    本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

    Apr, 2020

  • 全球与本地：评估用于热带气旋强度估计的 AlexNet 架构

    使用可见卫星图像，基于 AlexNet 架构引入两种基于模型的集成模型来估计热带气旋强度，其中全局模型和分布式模型在性能上均优于基准模型，并提供了详细的解决方案讨论和对 AlexNet 性能的解释。

    Apr, 2024

  • 早期热带气旋强化相关的三维辐射模式识别

    我们提出线性变分编码解码器 (VED) 来学习辐射和表面加强的模拟台风之间的隐藏关系，发现内核沉淀和浅云的长波辐射强迫对台风加强起作用，其中内核沉淀的影响最大，我们发现海燕强化的关键是浅云下风的内核沉淀，我们的工作表明机器学习可以在现实条件下发现热力学和动力学关系，摆脱了对轴对称或确定性假设的依赖，为了发现导致台风强化的过程铺平了道路。

    Jan, 2024

  • 利用轻量级神经网络提高极端天气事件检测能力

    我们尝试优化一种新型轻量级上下文引导的卷积神经网络，通过对特征处理、数据增强、损失函数和架构的修改，提高对气候数据中的热带气旋和大气河流的语义分割，尤其着重于最具破坏性的天气现象 —— 热带气旋的检测，采用加权损失函数以改善珍稀事件的类别不平衡性，具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力，为预测、缓解和公平适应气候变化带来新的方向。

    Mar, 2023

  • GlobeNet：卷积神经网络用于遥感图像中的台风眼追踪

    本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解，为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。

    Aug, 2017