厄尔尼诺南方涛动多样性的多模态表示
这篇论文通过对太平洋赤道带的风速(ZW)和海表温度(SST)的微观测量应用原因特征学习框架,自然地展示了气候现象El Nino和La Nina作为微观变量的状态。
May, 2016
在本文中,我们使用先进的机器学习方法,包括序列模型(LSTM和Transformers)和关系模型(图神经网络),建立了一个在巴西东南海岸Santos-Sao Vicente-Bertioga海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型,并将我们的结果与Santos操作预测系统进行了比较,证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。
Jun, 2022
本文介绍如何使用层次相关传播技术和回声状态网络模型来提高模型可解释性,并使用海温异常来预测厄尔尼诺南方涛动现象,可以应用于时序预测和图像分类。
Oct, 2022
基于ConvGRU网络的ENSO区域的时空序列预测模型显示,相对于线性反演模型,类比预测和递归神经网络,其在预测Niño 3.4指数方面具有更高的预测能力和更长的有效预测期限。
Jun, 2023
通过构建一个新的可变空间特异极值自动编码器模型(extVAE),本文研究了一种具有灵活非平稳依赖性的极值分布,并在 Red Sea 海域的高分辨率卫星获取的温度数据中进行了计算。
Jul, 2023
通过使用可从气候模型中轻松获取的字段,我们将网格单元聚类为动力学制度,并训练一组神经网络来预测和追踪气候变化下的这些制度,从而揭示了南极环流和太平洋-南极洲脊的相互作用的动力学制度变化的转变过程。
Oct, 2023
深度学习方法与ResoNet模型相结合,能够准确预测1.5年前的El Niño-Southern Oscillation,并解释其物理机制及El Niño和La Niña发展的不对称性。
Dec, 2023
提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测,克服了统计学方法无法处理超过训练数据时间的极端事件的挑战,并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出,使其更准确地反映统计数据并显著降低空间偏差。
Feb, 2024
通过深度学习和模型类比预测的混合方法,我们在仓库模拟的相似初始气候状态中生成预测,利用卷积神经网络估计状态相关权重以识别类比状态,从而提供深入洞察初始误差敏感区域和系统的物理演变。我们的方法在季节至年度时间尺度上通过使用Community Earth System Model Version 2 Large Ensemble预测El Niño-Southern Oscillation (ENSO)来评估;结果显示与传统的模型类比技术相比,在赤道太平洋上预测的海表温度异常在9-12个月的领先时期有10%的改进。此外,我们的混合模型在评估重分析数据集时还展示了对于温度和降水的寒冬和春季初始化的改进。我们的基于深度学习的方法揭示了与各种季节变化的物理过程相关的状态依赖敏感性,包括太平洋纬向模式、赤道补给振荡器和随机风强迫。值得注意的是,El Niño和La Niña事件的敏感性存在差异。我们发现赤道太平洋上的海表温度在El Niño的预测中起更重要的作用,而在La Niña的预测中,该地区的纬向风应力具有更大的意义。这种方法对于预测各种气候现象,包括区域的温度和降水,具有广泛的影响,并且对于传统的模型类比预测方法具有挑战性。
Apr, 2024
季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了Ocean-linked-atmosphere (Ola)模型,这是一个高分辨率 (0.25°) 的人工智能/机器学习耦合地球系统模型,使用自回归Spherical Fourier神经算子架构分别对海洋和大气动力学进行建模,以实现季节尺度上快速、精确的大量集合预测。Ola模型表现出了海洋-大气耦合动力学的学习特征,包括适当相速的热带海洋波,以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺/南方振荡 (ENSO)。我们提供了预测ENSO的初步证据,与地球物理流体力学实验室的SPEAR模型相比具有良好的预测能力。
Jun, 2024