Dec, 2022

使用三维 U-Nets 和 EarthFormers 从卫星数据中进行超分辨率的降雨概率预测

PDF
TL;DR使用 3D U-Nets 和 EarthFormers 基于多波段卫星图像对未来 8 小时的降雨进行了概率预测，并通过多模型协商和阈值优化获得了最终结果，最佳的卫星波段预测雨情的表征是云顶相位和云顶高度波段，是一项优化的模型方法。
发现论文，激发创造
  • RainAI -- 卫星数据降水即时预测

    通过使用 2D U-Net 模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

    Nov, 2023

  • PAUNet：一种基于降水注意力的卫星亮温数据的降水预测 U-Net

    这篇论文介绍了基于降水关注的 U-Net（PAUNet）的深度学习架构，用于根据卫星辐射数据预测降水，解决 Weather4cast 2023 比赛的挑战。PAUNet 是 U-Net 和 Res-Net 的一种变体，通过编码器卷积层的中心裁剪和注意机制，有效捕捉多波段卫星图像中的大尺度上下文信息，包括可见光、水汽和红外波段。通过基于各种欧洲地区的大规模数据集进行训练，PAUNet 在多个时间段的降雨预测中表现出了显著的准确性，具有比基准模型更高的临界成功指数（CSI）得分。PAUNet 的架构和训练方法对于降水预测的改进具有重要意义，对紧急救援、零售和供应链管理等领域至关重要。

    Nov, 2023

  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • MetNet：降水预测的神经气象模型

    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

  • 基于深度学习的降水预报和估计的有效训练策略

    本研究提出了一种基于深度学习的预降水方案，利用 U-Net 模型和预训练技术来提高预测性能，使用新的损失函数减轻类别不平衡问题，实验表明相较于传统方法，本方法的准确性和精度在降水预报和降水估算中都有所提高。

    Feb, 2022

  • 轻量级学习器集成的降水预测

    通过使用多个学习者的集成学习框架，结合卫星图像，该研究论文提出了一种准确建模复杂降水模式的降水预测方法，并在 Weather4Cast 2023 竞赛中排名第一。

    Nov, 2023

  • 利用机器学习替换降水集合预测系统

    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

  • 基于雷达的降水量的深度时间插值

    研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

    Mar, 2022

  • EfficientTempNet：雷达降雨的时间超分辨率

    通过利用 EfficientNetV2 技术，本文旨在提高雷达降雨数据的时间分辨率以帮助更准确的气候变化建模和研究。经对佛罗里达州数据集的测试，结果表明 EfficientNetV2 是更好地监测气候变化的可行选项。

    Mar, 2023

  • 使用深度神经网络进行降水现在预报

    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