ICLRApr, 2021

利用极端事件条件生成时空天气模式

PDF
TL;DR本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。
发现论文，激发创造
  • 将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

    气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

    Nov, 2023

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 用于极端降尺度气候数据的生成对抗模型

    使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

    Feb, 2024

  • 基于集成生成深度学习的确定性对流允许模型的严重天气预测

    开发了一种用于美国本土的严重天气（龙卷风、冰雹和风阵）的概率预测的集成后处理方法，该方法结合了条件生成对抗网络（CGAN），一种深度生成模型，与卷积神经网络（CNN）来后处理对流允许模型（CAM）预报。

    Oct, 2023

  • TemperatureGAN：区域大气温度的生成建模

    使用温度 GAN 生成高保真度、空间表现良好且时间特性与已知日变循环一致的空气温度，以在各个领域估计气候影响

    Jun, 2023

  • 多站点降水合成中随机和深度生成模型的比较研究

    本文通过比较 IBMWeathergen、RGeneratePrec 两种天气生成器和 GAN、VAE 两种深度生成模型，初步比较了这些模型在多站点降水合成任务中的表现，并为深度学习架构和算法的设计提供了指南。

    Jul, 2021

  • 条件生成建模：标记时间点过程的全能武器

    本研究提出了一种基于被标记的时间点过程的新事件生成模型，其通过条件生成器以及多维标记来捕捉点过程的分布，从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现，并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。

    May, 2023

  • 使用变分自编码器控制气象场综合

    本文研究了如何使用变分自编码器将气候数据映射到已知分布，以探索偏差并控制合成更极端的天气场景，实验结果表明，将复杂的气象数据映射到已知的分布中可实现对天气场景的合成及控制。

    Jul, 2021

  • 时间序列数据中极端事件预测的广义混合模型

    这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

    Oct, 2023

  • 应用深度卷积神经网络检测气候数据中的极端天气

    本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到 89%-99%。

    May, 2016