ICMLJul, 2021

使用变分自编码器控制气象场综合

PDF
TL;DR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。
climate changeextreme climate eventsweatherforecastvariational autoencodersweather field synthesis
发现论文，激发创造
  • 利用空间变异自编码器融合气候数据产品

    该研究提出了一种可识别和可解释的自编码器，利用贝叶斯统计框架对多个气候数据产品进行融合和组合，以捕捉有用的空间模式，并通过对数据中的模式施加约束，在学习中创建了可解释的一致性。通过在高山地区结合多个降水产品的信息，证明了自编码器的实用性。

    Mar, 2024

  • 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

  • 利用极端事件条件生成时空天气模式

    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。

    Apr, 2021

  • 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

  • 生成气候模拟集合的潜在扩散模型

    利用新型生成式深度学习方法，在气候模拟数据集上训练出来的模型能够更快、更高效地生成大型集合数据，以提高气候模拟中的不确定性估计的效率。

    Jul, 2024

  • 捕捉气候变异：使用深度学习进行随机下尺度化

    应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络 (GANs) 这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

    May, 2024

  • CRA5：高效变分转换器在便携式全球气候和天气研究中的 ERA5 极端压缩

    引入高效的神经编解码器 VAEformer 用于极端压缩气候数据，以显著降低数据存储成本，实现便携的基于人工智能的气象研究。该方法在气候数据压缩方面优于现有最先进的方法，并且经验证明其压缩后的数据对于准确的科学分析具有实用性。通过对最流行的 ERA5 气候数据集（226 TB）进行压缩，得到了新的数据集 CRA5（0.7 TB），压缩比超过 300，同时保留了其用于准确科学分析的效用。

    May, 2024

  • 通过分布式变量表示增强天气预报

    通过使用数据驱动模型中的深度学习，我们提出了一种新的变量聚合方案和高效的学习框架，以增强天气预报的性能和准确性。实验证明，VarteX 在预报性能方面优于传统模型，所需的参数和资源明显减少。通过多种聚合和区域分割训练，学习的有效性得到了证明，从而实现更高效和准确的深度学习天气预报。

    Jun, 2024

  • 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

  • 基于生成式深度学习的降水预测随机降尺度方法

    本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

    Apr, 2022