使用大型深度学习天气预测模型集进行次季节预测
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
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
使用深度卷积神经网络通过 cubed-sphere 重新映射,改进 CNN 架构并在预测序列中优化损失函数,实现了更准确的天气预报,能够以几周或更长的时段内实现不断稳定的天气预报,并在短 - 中程预报中显著优于其他方法。
Mar, 2020
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
通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型,我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下,也可以实现高水平的预测技巧,并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析,探索了不同的损失函数、模型尺寸和深度以及多步细调的影响,并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能,并研究了模型规模对性能的影响。
Apr, 2024
近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报,其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性,根据 2020 年全球热点地区的季节性对流性能评估发现,Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内,对 Convective Available Potential Energy(CAPE)和 Deep Layer Shear(DLS)的预测结果具有相对的准确性,而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好,能够达到甚至超过 IFS 的性能水平,由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率,目前的结果表明,人工智能模型中对 CAPE 的直接预测很有前景,这将为快速且低成本的严重天气现象预测开辟前所未有的机遇,通过推进人工智能模型的评估,朝着基于过程的评估方向发展,我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。
Jun, 2024
本文利用深度学习与循环神经网络算法,提出一种时空风速预测模型,并利用其进行风能预测。研究结果表明,该模型不仅可以显著提高短期预测水平,同时可以模拟并预测获得更多数据的实体之间的相互作用。
Jul, 2017
我们提出了一种简约的深度学习天气预测模型,使用 Hierarchical Equal Area isoLatitude Pixelization(HEALPix)在全球近似 110 公里网格上,以 3 小时时间分辨率预测任意长时间的七个大气变量。与现有的机器学习天气预测模型(如 Pangu-Weather 和 GraphCast)相比,我们的 DLWP-HPX 模型使用更粗的分辨率和更少的预报变量。然而,在一周的提前时间内,其技能仅比欧洲中期天气预报中心最先进的数值天气预报模型晚了一天。我们报告了模型设计和与数据相关的决策带来的连续预测改进,例如从立方球切换到 HEALPix 网格,反演 U-Net 的通道深度,并在 U-Net 层次结构的每个级别引入门控循环单元(GRU)。HEALPix 网格上所有单元格的一致东西方向有助于开发位置不变的卷积核,成功地将全球气象模式传播到地球上。该模型在两天后没有任何频谱损失,可以自回归地展开数百步,生成稳定且逼真的大气状态,尊重季节趋势,在一年模拟中展示了这一点。我们简约的 DLWP-HPX 模型具有很好的研究性质,可能非常适合亚季节和季节性的预测。
Sep, 2023