ICLRMar, 2023

利用轻量级神经网络提高极端天气事件检测能力

PDF
TL;DR我们尝试优化一种新型轻量级上下文引导的卷积神经网络，通过对特征处理、数据增强、损失函数和架构的修改，提高对气候数据中的热带气旋和大气河流的语义分割，尤其着重于最具破坏性的天气现象 —— 热带气旋的检测，采用加权损失函数以改善珍稀事件的类别不平衡性，具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力，为预测、缓解和公平适应气候变化带来新的方向。
automated detectionextreme weather eventsconvolutional neural networktropical cyclonesclimate data
发现论文，激发创造
  • 应用深度卷积神经网络检测气候数据中的极端天气

    本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到 89%-99%。

    May, 2016

  • 极端天气事件中的深度学习技术综述

    深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述为科学界了解并减轻极端天气事件的影响提供了重要见解。

    Aug, 2023

  • GlobeNet：卷积神经网络用于遥感图像中的台风眼追踪

    本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解，为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。

    Aug, 2017

  • 全球与本地：评估用于热带气旋强度估计的 AlexNet 架构

    使用可见卫星图像，基于 AlexNet 架构引入两种基于模型的集成模型来估计热带气旋强度，其中全局模型和分布式模型在性能上均优于基准模型，并提供了详细的解决方案讨论和对 AlexNet 性能的解释。

    Apr, 2024

  • 危险风险管理的潜在范式转变：基于人工智能的热带气旋灾害天气预报

    通过使用人工智能驱动模型，该研究在气象灾害的风险管理策略中创造了一个转变。研究采用了热带气旋作为一个重点示例，工程设计了一种基于干扰的方法，使用先进的 Pangu AI 气象模型来产生集合预测。研究结果显示，AI 生成的集合预测在登陆前的七天内与欧洲中期天气预报中心的集合预测趋于一致。这种方法可以极大地提高天气预报驱动风险分析和管理的效果。

    Apr, 2024

  • 利用极端事件条件生成时空天气模式

    本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

    Apr, 2021

  • 验证深度学习天气预报模型在近期高影响极端事件上的准确性

    深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

    Apr, 2024

  • 处理时间异质性卫星数据实现实时热带气旋强度估计

    提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

    Oct, 2020

  • 使用视觉转换器进行台风强度预测

    利用卫星图像进行场景分析以准确预测台风强度，引入自注意力机制的 “Typhoon Intensity Transformer”（Tint）通过每层具有全局感受野的自注意力操作，提升了局部和全局上下文关系的提取能力，并在公开的台风基准测试中验证了其在深度学习和常规气象方法方面的有效性。

    Nov, 2023

  • 高分辨率全球降水预测的生成建模

    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