气候影响建模框架
该论文提出了一种名为 NeuroClim 的框架,用于采用脑神经算法设计气候混合仿真,并为此提供了一个平台、一个数据集和一种量化的评估方法,以促进人工智能和气候研究的交叉。
Aug, 2022
随着气候变化加剧,准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架,结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测,因为它们与气象和地形因素相关。该模型基于现有数据精心设计,并实施策略来解决类别不平衡问题。虽然我们的研究结果表明,整合多种数据来源可以提升模型性能,但增强程度因每种灾害的特性和其独特的根本原因而有所不同。
Sep, 2023
为了在非线性和高度不确定性的气候影响模型驱动参数中提出一种可接受的代替模型,考虑深度学习 BLSTM 网络和随机森林 RFQR 模型替代 R0 预测,这些模型基于气候预测即温度和降雨量的季节性集合,建立合理的模型进行不确定性预测。
Apr, 2022
本文提出了一种创新方法,通过建模和不平衡评估工具的组合,来解决与危机管理相关的移民危机问题。通过利用深度学习进行预测,并通过贝叶斯网络集成因果推理,此方法使得能够评估社会技术景观中的不平衡和风险,为明智的决策提供了重要见解。通过这个框架,可以分析关键系统,了解移民水平的波动如何影响它们,从而促进有效的危机治理策略。
Nov, 2023
为了提高对未来气候极端事件的准确预测能力,我们引入了 Extreme Model Output Statistics (X-MOS) 方法,通过深度回归技术将 CMIP 模型输出与实际气象站测量结果精确地映射,并强调了未来气候参数分布尾部的估计,以支持决策者更好地评估全球范围内的与气候相关的风险。
Oct, 2023
通过将不同的大气动力学求解器与机器学习组件相结合,我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM,其预测能力与最佳的机器学习和基于物理的方法相当,同时在天气和气候方面,我们的方法相对于传统 GCMs 有数量级的计算节省,并能够增强对地球系统的理解和预测所必需的大规模物理模拟。
Nov, 2023
研究云对地球气候系统的影响,并提出通过 AI 辅助可视化分析的混合模型来设计和测试海上云增白技术以评估其对气候模式的影响。
May, 2023
改进气候变化谈判模型所需关注的关键领域包括地理影响、效用框架、历史和文化因素以及气候缓解等,以增强气候变化谈判模型的准确性和效力,为决策者和利益相关者在区域和全球层面上制定有针对性和适当的应对策略。
Jul, 2023
机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面,科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法,主要来自于变换器和算子学习文献,并结合气象学的背景提出了成功的标准,期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力,如下降尺度(超分辨率)、火灾有利条件的识别以及对各种时空尺度(如飓风和大气河流)具有重大影响的气象现象的预测。特别是,我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。
Sep, 2023