应用自适应循环图神经网络预测深层冰层厚度

Jun, 2023

应用自适应循环图神经网络预测深层冰层厚度

Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph Neural Networks

Benjamin Zalatan, Maryam Rahnemoonfar

TL;DR本文提出一种利用自适应递归图卷积网络的机器学习模型，通过使用空气激光雷达数据中近年来积雪量的预测，预测深层冰层的历史积雪量，以研究气候趋势和精准预测未来的气候和降水情况。我们发现，相比于之前的模型以及等价的无时间、无几何形态和非自适应模型，我们的模型表现更好、更一致。

Abstract

As we deal with the effects of climate change and the increase of global atmospheric temperatures, the accurate tracking and prediction of ice layers within polar ice sheets grows in importance. Studying these ic

climate change polar ice sheets machine learning graph convolutional networks snow accumulation

发现论文，激发创造

利用循环图卷积方法预测年降雪量

使用图形注意力网络模型预测越来越多的年降雪量数据点，使用更少的输入数据点，在较大的数据集上进行实验

Jun, 2023

使用物理信息的图神经网络学习极地冰层的时空模式

基于图神经网络的物理受限混合模型能够通过学习浅层冰层的厚度信息，预测深层冰层的厚度，并在这方面表现出优于当前非归纳或非物理模型的性能。

Jun, 2024

MT-IceNet -- 北极海冰预测的空间和多时相深度学习模型

基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

Aug, 2023

用于格陵兰和南极冰盖有限元冰动力学仿真的图神经网络

数值模型、卷积神经网络、等变图卷积网络、冰川动力学和计算效率的研究。

Jun, 2024

应用图神经网络预测全球天气

使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

Feb, 2022

DeepRain: 使用多通道雷达数据的 ConvLSTM 网络进行降水预测

本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

Nov, 2017

基于注意力机制集成 LSTM 的海冰预测

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

基于深度学习的位置不敏感的自适应降雨量预测

我们提出了一种自适应深度学习框架，可以为任何地点的降雨预测提供解决方案，并通过使用深度神经网络对巴黎、洛杉矶和东京的降雨预测进行适应后，取得了 43.51%、5.09% 和 38.62% 的改进。

Feb, 2024

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

探索几何深度学习在降雨即时预测中的应用

基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

Sep, 2023