处理时间异质性卫星数据实现实时热带气旋强度估计
通过使用红外波段和太阳光方向参数作为输入,该研究提出了使用条件生成对抗网络(CGAN)模型生成高度精确的夜间可见反射率的方法,并通过 Visible/Infrared Imager Radiometer Suite (VIIRS) 的 Day/Night Band (DNB) 进行了模型验证。研究证明了该模型在监测夜间气象现象方面的可行性。
Jan, 2024
本研究使用卫星图像和深度学习技术对热带气旋进行结构特征建模,并提供了可用于训练的基准数据集以促进数据科学家更多关注这一重要问题。实验结果表明,建议模型具有良好的鲁棒性和潜在应用价值。
Oct, 2020
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
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。
Sep, 2019
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
本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果,并探讨了训练算法的图像识别技术,和利用过去相同日期数据进行训练以提高短期预测技能的方法。
May, 2020
使用卫星数据的变压器模型现在预测地基雷达图像序列,可在两小时领先时间内,支持大范围的降水预测并为数据稀缺地区提供雷达替代品。
Oct, 2023
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
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
这项研究通过进行理论和定量比较,分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法,以海洋热带气旋的风速估算任务为例,发现预测不确定性可用于提高准确性,并对不同方法的预测不确定性进行了分析。
Apr, 2024