利用机器学习进行次季气候预测：挑战、分析与进展

Jun, 2020

利用机器学习进行次季气候预测：挑战、分析与进展

Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances

Sijie He, Xinyan Li, Timothy DelSole, Pradeep Ravikumar, Arindam Banerjee

TL;DR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。

Abstract

sub-seasonal climate forecasting (SSF) focuses on predicting key climate variables such as temperature and precipitation in the 2-week to 2-month time scales. Skillful SSF would have immense societal value, in areas such as agricultural productivity, water resource management, transpor

sub-seasonal climate forecasting machine learning gradient boosting deep learning feature importance

发现论文，激发创造

使用机器学习改善西部地区的亚季节预测

该论文描述了一个基于机器学习方法的预测系统，该系统利用历史气象测量值和动态模型预测，通过裁剪无关预测器和加权最近邻特征引入加权局部线性回归，显著提高了长期预测准确性。该系统在 Subseasonal Climate Forecast Rodeo 竞赛中表现优异，可帮助提高亚季节性气象预测的水平。

Sep, 2018

FuXi-S2S：一种用于全球次季节预报的准确机器学习模型

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

基于远程联系信息的高效亚季节气象预测

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

机器学习方法在统计降尺度中的比较：以日降水和极端降水为例

本文针对机器学习在全球气候模型统计降尺度中的应用进行研究，将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析，结果表明直接应用最新的机器学习方法不能优于较简单的传统方法，文中特别关注了美国东北部地区的每日降水量，结果对每种方法的能力进行了评估。

Feb, 2017

面向时空序列预测的机器学习：综述

通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

Aug, 2018

基于图的深度学习用于海表温度预测

该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

Apr, 2023

基于时空深度神经网络的季节性火灾预测

利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

Apr, 2024

基于可解释和可靠的机器学习的现场特定确定性温湿度预测

使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

Apr, 2024

使用大型深度学习天气预测模型集进行次季节预测

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

利用模块化神经网络编码季节气候预测进行需求预测

通过一种新颖的建模框架，我们可以有效地编码季节性气候预测，为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习，从而使得在多个实际数据集上，相对于现有需求预测方法，将季节性气候预测结果建模的误差降低了大约 13％至 17％。

Sep, 2023