通过卫星观测和气象数据,我们构建了全球最全面的海洋雾检测和预测数据集 M4Fog,数据集覆盖 15 个频繁出现海上雾的海洋地区,提供了近 10 年的连续海洋雾阶段的多模态数据,旨在促进机器学习驱动的海洋雾解决方案的发展,减少对人类活动的不利影响。
Jun, 2024
使用生成深度学习技术对海洋雾可视性进行现在预测,对 FATIMA 项目的观测数据进行分析,提出了条件生成对抗网络的应用。结果表明,生成对抗网络在预测雾可视性方面表现较好,具有潜力进行海洋雾可视性的生成分析。
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。
May, 2024
该研究论文介绍了一个基于人工智能的先进数据驱动的全球中程天气预报系统 FengWu,该系统从多模态和多任务的角度解决介质范围的天气预报问题,可在 0.25 度经纬度分辨率下预测未来 37 个垂直层次的地面和大气状态,与现有天气预报方法相比,FengWu 性能更佳。
Apr, 2023
开发一种基于机器学习的框架,利用物理波浪模型的许多迭代进行监督学习,准确地预测波浪条件,其中使用蒙特雷湾模型作为示例测试站点,并通过聚合监督学习培训和测试数据集,并将其提供给机器学习模型来复制波高和正确识别特征周期。
Sep, 2017
本文介绍了一种基于神经网络的天气预测模型,可以在大范围内预测未来十二小时的降水,并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好,进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。
Nov, 2021
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
提出了一种新的方法来学习对雾天气条件稳健的语义分割模型,关键思想是将图像的雾条件视为其风格,并在分割模型的神经风格空间中缩小具有不同雾条件的图像之间的差距,并逐渐学习雾不变特征。
Apr, 2022
该研究引入了一个特定于日本九州糸島地区的多层感知器模型,通过精心设计的架构,表现出比现有模型(如长短期记忆和循环神经网络)更出色的性能。
Mar, 2024
使用机器学习技术开发的 FuXi 天气预报系统,在全球 15 天天气预报方面表现与 ECMWF EM 相当,是第一个取得这一成就的 ML-based 天气预报系统。
Jun, 2023