该研究论文通过对三年的 SEVIRI 和 DARDAR 数据集进行卷积神经网络训练,创造了一种新的观测约束条件,以解决气候模型中对云含冰粒子的不确定性问题,并帮助评估改变气候和评估地球工程化方法中的卷云过程理解,并从而降低不确定性。
Oct, 2023
智能冰云感知(SMICES)通过先进的雷达技术和机器学习算法,针对冰暴进行智能定位,其中主要利用雷达测得的数据与前瞻辐射计收集的信息。通过引入数字化大气孪生(WRF)模型和多步骤的机器学习方法,我们成功构建了对冰云进行准确分类的分类器,同时证明了其对仪器噪声的鲁棒性。
Sep, 2023
利用机器学习方法对印度西部 Ghats 山脉复杂地形区域的降水云进行准确分类,比传统雷达算法表现更好,提供了更准确的云检测和分类结果,对改进降水量估计具有重要意义。
May, 2024
本文通过应用非线性因果机器学习方法,研究气溶胶对云滴半径的异质性影响。
Oct, 2021
本研究使用深度卷积神经网络寻找人为气溶胶引起的云层扰动,以评估它们的特性和普遍性,为气候效应提供有价值的洞见。
Nov, 2019
通过多通道红外 GOES-R 卫星观测数据,基于目标的概率深度学习模型被开发用于预测对流发生,同时发现多层面上的湿度和云特征对模型决策过程具有重要影响,并表明使用不同的基准线有助于进一步理解模型行为和获得科学见解。
本研究应用基于注意力的长短期记忆(LSTM)集成模型,使用来自 NSIDC、ERA5 重分析产品的海冰数据和大气、海洋变量,对未来一个月的月度海冰范围进行预测,并证明了其优于现有深度学习模型和基线模型。此研究表明数据驱动的方法在预测北极海冰变化方面具有潜力。
Jul, 2021
云微物理是气候和天气现象的重要组成部分,本研究开发了一种基于机器学习的模拟器 SuperdropNet,通过学习大量基于液滴的模拟数据集,精确地预测了水物理状态和云到雨的转变时间,在许多情况下,超越了传统的物理模型。
Feb, 2024
通过将机器学习与传统物理模型相结合的混合建模方法,本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型,该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型,并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。
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