FourCastNet:一种全球数据驱动的高分辨率天气模型,使用自适应傅里叶神经算子
该论文基于数据驱动的深度学习技术,提出了 FourCastNet 这一可以比当前基于物理的数值天气预报快 80000 倍并且准确性优于状态 -,预测全球天气、产生中程预报的系统。同时,FourCastNet 还可以生成准确的即时天气预测,提高了全球预测的分辨率。
Aug, 2022
在本研究中,我们将展示可以仅使用基准模型计算资源的 1% 来训练 FourCastNet,同时保持模型性能甚至比基准模型更好。
Jan, 2024
利用深度神经网络,MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明,在大陆尺度上,MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。
Mar, 2020
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
使用机器学习代理模型和部分、嘈杂观测,本研究调查在线天气预测。我们经验性地证明并理论上证明,尽管代理模型长期不稳定且观测稀疏,但滤波估计在长期时间范围内仍然准确。作为一个案例研究,我们在变分数据同化框架中使用 FourCastNet,一种最先进的天气代理模型,使用部分、嘈杂的 ERA5 数据。我们的结果表明,在一年的同化窗口中,滤波估计保持准确,并为包括极端事件预测在内的预测任务提供有效的初始条件。
May, 2024
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
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
本文介绍了一种基于神经网络的天气预测模型,可以在大范围内预测未来十二小时的降水,并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好,进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。
Nov, 2021
使用图神经网络的数据驱动方法预测全球天气,通过学习当前 3D 大气状态的六小时步长以及多步连接,可以产生数天后的精准预报,测试表现优于以前的数据驱动方法,并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。
Feb, 2022
该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充,采用低分辨率数据开创性地改进了现有的气象预测方法,从而提高了大气状况预测的准确性,并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力,为气候建模领域提供了更具可行性和包容性的路径。
Feb, 2024