Jul, 2023

融合格网卫星和气象站降水数据的 Ensemble 学习

PDF
TL;DR本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。
satellite precipitation productsensemble learningregression algorithmsbase learnersglobal climatology network
发现论文，激发创造
  • 融合分布回归算法的卫星降水空间预测中的不确定性估计

    通过分布回归和集成学习方法，可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集，并提供不确定性估计。通过与基准模型的比较，确定了层叠方法是最有效的策略，而在特定的分位数水平下，具体的层叠方法会有所不同，因此使用多个算法进行任务特定的组合可能会带来显著的好处。

    Jun, 2024

  • 卫星降水的空间插值中的不确定性估计与集成学习

    在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。

    Mar, 2024

  • 融合卫星和地面观测资料的降水不确定性机器学习估计

    通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

    Nov, 2023

  • 轻量级学习器集成的降水预测

    通过使用多个学习者的集成学习框架，结合卫星图像，该研究论文提出了一种准确建模复杂降水模式的降水预测方法，并在 Weather4Cast 2023 竞赛中排名第一。

    Nov, 2023

  • 利用机器学习替换降水集合预测系统

    使用生成对抗网络生成高分辨率降水的合成降水集，而无需高分辨率训练数据，该集与欧洲中期天气预报中心集基本相同。

    Apr, 2023

  • 用于后处理集合天气预报的神经网络

    本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

    May, 2018

  • 利用长短期记忆网络（LSTM）合并西班牙内华达山区的降水数据

    利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。

    Apr, 2024

  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • 降水集合预报的分布回归 U-Net 后处理

    准确的降水预报在决策制定中具有很高的社会经济价值，我们提出了一种全球统计后处理方法来处理基于格点的降水集合预报，该方法基于 U-Net 实现分布回归来预测参数分布，与现有的后处理方法相比，分布回归 U-Net 在连续分级概率评分方面取得了可比的性能，但在高气候降水区域无法提供校准的预报，而在强降水事件的预测能力方面，它们优于分位数回归森林和带有超尾扩展的半参数分位数回归森林。

    Jul, 2024

  • 多规模水文变分数据同化：利用多层感知机和贝叶斯指导多变量回归进行空间梯度区域化学习

    利用可学习的复杂区域转换函数进行高分辨率水文模型的新奇无缝区域化技术，解决估计空间分布水文参数的难题，特别是针对未计量水道上的洪水问题。

    Jul, 2023