Jan, 2023

使用卡尔曼滤波和循环神经网络从数据构建 WRF-SFIRE 联合火灾-大气模型的燃料湿度模型

HTML
PDF
TL;DR本文提出一种利用递归神经网络拟合燃料含水量动态响应的方法，避免了现有模型和卡尔曼滤波的限制，并通过实例展示验证了该方法的可行性。
发现论文，激发创造
  • 深度回声状态网络与不确定性量化在时空预测中的应用

    介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

    Jun, 2018

  • 高维深度特征空间中因式分解推断的递推卡尔曼网络

    本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

    May, 2019

  • 建模长期时间依赖性的小批量学习策略：环境应用研究

    本文研究如何提高RNN模型在环境应用中的性能，主要通过对Stateful RNN模型策略的数量比较及两种依赖策略的提出来解决batch间（inter-batch）及batch内（intra-batch）的时间关联性问题，其中一种策略为将batch定义为时间上有序的一组训练片段从而促进batch内部时间信息的共享，另一种策略为在训练片段中增加目标变量的初始值以减少训练时间，该方法在水文模型中表现出显著的性能提升。

    Oct, 2022

  • 利用机器学习和VIIRS卫星检测技术监测野火管理中的燃料湿度

    应用机器学习模型结合气象预报数据、地面观测和卫星数据监测燃料水分，结果表明卫星数据在模型预估中具有重要作用。

    May, 2023

  • 天气和气候的 AI 基础模型：应用、设计和实施

    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

  • 天气和气候数据理解的基础模型：一项综合调查

    人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

    Dec, 2023

  • U-Net卡尔曼滤波器(UNetKF): 机器学习辅助集合数据同化的示例

    使用U-Net技术结合集合卡尔曼滤波算法，进行数据同化实验，得出U-Net Kalman Filter方法可以与传统的3DVar、En3DVar或EnKF方法相媲美或超越其性能，并展示训练后的U-Net模型能够转移到高分辨率模型中进行实现，在小集合规模下表现出色。

    Mar, 2024

  • FNP：傅里叶神经过程用于任意分辨率数据同化

    使用 Fourier 神经过程（FNP）实现任意分辨率数据同化的方法展现了卓越的泛化能力，能够在不同任务和分辨率的观测下进行直接处理。

    Jun, 2024

  • 全球大气数据同化的多模态掩膜自编码器

    地球网络是一种多模式基础模型，通过学习从卫星观测中预测全球填补气候状态的方法，以较少的时间和成本进行全球高频率数据同化和天气预报。

    Jul, 2024

  • 利用LSTM和GRU建模亚马逊地区火灾的神经网络

    本研究针对亚马逊地区火灾点历史时间序列建模和预测的具体问题，通过混合的循环神经网络模型（结合LSTM和GRU架构）来预测每日火灾点的月累积值。研究结果表明，该模型在预报12个月内的效果显著提升，并揭示了其在捕捉复杂时间模式方面的优势，促进了深度学习技术在环境监测中的应用。

    Sep, 2024