Jun, 2023

ClimSim: 一份适用于在混合多尺度气候模拟器中训练高分辨率物理仿真器的开放式大规模数据集

PDF
TL;DRClimSim 是迄今为止最大的融合混合 ML 和气候物理学的数据集，由一组气候科学家和 ML 研究人员开发，其设计思想是为了使结果仿真器与下游耦合到运行气候仿真器兼容。
发现论文，激发创造
  • ClimateSet：大规模气候模型数据集用于机器学习

    用 ClimateSet 数据集作为基准，通过分析不同气候模型上的性能，我们展示了机器学习模型在气候模型仿真中的性能和广泛应用能力。此外，该数据集可以用于训练超级仿真器，以便快速预测新的气候变化情景，为政策制定者提供丰富的备选方案。

    Nov, 2023

  • 基于机器学习方法的高效气候模拟

    该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

    Aug, 2022

  • 气象和气候建模机器学习基准测试

    ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

    Jul, 2023

  • 球面扩散下全球气候模型的概率仿真

    数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

    Jun, 2024

  • 气候模型中机器学习参数化的系统抽样和验证

    混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

    Sep, 2023

  • ClimaX：天气和气候的基础模型

    该研究介绍了一种名为 ClimaX 的深度学习模型，能够使用异构数据集（跨越不同变量，时空范围和物理基础）进行训练，预测气象和气候。ClimaX 扩展了 Transformer 架构，并表现出优越的性能。

    Jan, 2023

  • 气候模式降尺度化的多变量硬物理约束

    研究全球气候模型、统计降尺度方法、深度学习、粗糙变量和多变量硬约束之间的关系，并提出了一个框架，从而解决区域 GCM 预测中基本物理性质之间的违反问题。

    Aug, 2023

  • 一个针对多模态气候变化感知作物产量预测的开放和大规模数据集

    通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

    Jun, 2024

  • 探索适用于大气 / 海洋预测的混合机器学习 / 基于物理模型的潜力

    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。

    May, 2024

  • 深层极端立方体：整合地球系统时空数据以评估气候极端事件的影响

    气候极端事件对陆地生态系统的影响预测需要用到结构化、高质量和经过筛选的分析准备数据集。本研究致力于构建 DeepExtremeCubes 数据库，该数据库专门设计用于分析复合热浪和干旱极端事件对持续自然植被的影响，包括 40,000 个地理采样的小数据块，每个块都包含 Sentinel-2 L2A 影像、ERA5-Land 变量、从 2016 年到 2022 年的极端事件数据块，以及辅助土地覆盖和地形地图。该数据库的建设旨在提高数据获取和处理的效率，增强科学的可重复性，并促进对生物圈动态在复合极端事件下的预测研究。

    Jun, 2024