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
使用生成对抗网络生成高分辨率降水的合成降水集,而无需高分辨率训练数据,该集与欧洲中期天气预报中心集基本相同。
Apr, 2023
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
使用深度生成模型从雷达数据预测监测降水,可以提高预测值和操作效用,尤其在预测较强降雨事件方面表现优秀。
Apr, 2021
本研究使用三种深度学习模型(U-net、ConvLSTM 和 SVG-LP)在二维降水图上进行降雨即时预测,并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。
Mar, 2022
研究利用扩散模型处理降水现在空间预测任务,在效果上显著优于其他深度学习模型。
Aug, 2023
基于雷达数据的降水即时预报在极端天气预测中起着关键作用,对于灾害管理具有广泛的影响。本文提出了 CasCast,这是一个级联框架,由确定性部分和概率部分组成,用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模,使用帧导向扩散变换器加强极端事件的优化,同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明,CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面,CasCast 的性能明显优于基线(高达 + 91.8%)。
Feb, 2024
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
设计有效的短期降水预警系统是必要的,气候变化导致极端天气事件频率增加,相关机构可以通过基于深度学习的现在预测模型在几秒内做出准确预测,以便更好地应对对农业、交通、公共卫生和安全等方面的影响。
Nov, 2023
采用深度学习技术中的 UNET 卷积神经网络,将高分辨率(1km × 1km)短期(1 小时)降水预测视为图像翻译问题,用于气候变化适应的高分辨率实时预测,表现优于光流、持续性和 NOAA 的数值一小时 HRRR 气象预测模型。
Dec, 2019