Jul, 2023

TROPHY: 一个面向物理信息的拓扑稳健热带气旋追踪框架

PDF
TL;DR该研究提出了一种基于物理先验知识的强拓扑物理追踪框架（TROPHY），用于大规模气候数据集中的热带气旋追踪，通过引入限制条件和物理知识选择方法，实现了低计算复杂度同时获得与传统追踪算法相媲美甚至更好的热带气旋特征捕捉。
tropical cyclonestc trackingrobustness frameworkphysics-informed trackinglarge-scale climate datasets
发现论文，激发创造
  • 多时滞热带气旋路径预测的双分支时空融合网络

    该研究提出了一种新的多视角的热带气旋路径预测模型，名为双支分流空间 - 时间融合神经网络（DBF-Net）。该模型通过 1D 固有特征和 2D 压力场提取出来的时间和空间属性做了有效的特征融合， 取得了良好的预测结果。

    Feb, 2022

  • 利用 ERA5 再分析数据进行热带气旋检测的集成机器学习方法

    通过机器学习集成方法，本研究建立了一种模型以便对热带气旋进行检测和定位，结果表明该方法能够准确地检测出比模型训练时使用的更低的 TC 类别并进一步提高了 TC 定位的性能。

    Jun, 2023

  • 长期台风轨迹预测：一种基于物理条件的方法（无需再分析数据）

    基于实时 Unified Model (UM) 数据的预测模型，克服了回分析数据的局限性，在 72 小时内以 6 小时间隔提供准确的台风路径预测，优于现有的数据驱动方法和数值天气预测模型，同时提供了基于 ERA5 回分析数据、台风路径和 UM 预测数据的预处理物理路径数据集。

    Jan, 2024

  • 早期热带气旋强化相关的三维辐射模式识别

    我们提出线性变分编码解码器 (VED) 来学习辐射和表面加强的模拟台风之间的隐藏关系，发现内核沉淀和浅云的长波辐射强迫对台风加强起作用，其中内核沉淀的影响最大，我们发现海燕强化的关键是浅云下风的内核沉淀，我们的工作表明机器学习可以在现实条件下发现热力学和动力学关系，摆脱了对轴对称或确定性假设的依赖，为了发现导致台风强化的过程铺平了道路。

    Jan, 2024

  • 气候变化下热带气旋强度和能量极端的深度学习揭示

    利用深度学习方法和数据集，对热带气旋的结构和能量进行了综合评估，发现过去几十年中，主要热带气旋的比例增加了约 13％，极高能量热带气旋的比例增加了约 25％，高能量热带气旋的总能量也呈现上升趋势，进一步证实了气候变化对热带气旋的影响。

    Feb, 2024

  • 利用对齐的重分析数据，融合深度学习进行热带气旋路径预测

    本文利用神经网络模型输入历史路径数据和再分析大气图像数据，很好地解决了热带气旋准确预测的问题，模型预测准确率较高，相较于传统的预测方法有很大的优势，可以为实时预报提供宝贵的参考依据。

    Oct, 2019

  • 基于极坐标图像的 CNN 针对热带气旋结构分析

    本研究使用卫星图像和深度学习技术对热带气旋进行结构特征建模，并提供了可用于训练的基准数据集以促进数据科学家更多关注这一重要问题。实验结果表明，建议模型具有良好的鲁棒性和潜在应用价值。

    Oct, 2020

  • 基于物理学思想的四旋翼动力学时态学习，用于准确的模型预测轨迹跟踪

    本研究提出了一种基于物理启发的时间卷积网络（PI-TCN）方法，用于纯从机器人经验中学习四旋翼系统动力学，结合稀疏时间卷积和稠密前馈连接，挖掘四旋翼动力学的结构，并将物理约束嵌入训练过程，以实现网络的泛化能力，同时实现了精确的封闭环轨迹跟踪和预测控制，实验结果表明这是第一次成功将物理启发深度学习应用于时间卷积网络和系统识别任务。

    Jun, 2022

  • PhyTracker：一种适用于浮游植物的在线跟踪器

    PhyTracker 是一种智能的现场追踪框架，旨在通过三个创新模块（纹理增强特征提取模块、注意力增强时间关联模块和流无关的运动细化模块）解决水中浮游植物监测的挑战，并经过广泛的实验验证了其在浮游植物跟踪方面的优越性。

    Jun, 2024

  • 全球热带气旋强度预测的多模式多尺度因果自回归模型

    通过将因果关系与大规模多模式数据相结合，我们提出了第一个全球台风强度自回归预测模型 Multimodal multi-Scale Causal AutoRegressive model（MSCAR），并提供了迄今为止最长且最全面的与台风有关的全球数据集 Satellite and ERA5-based Tropical Cyclone Dataset（SETCD）。实验结果表明 MSCAR 优于最先进的方法，在全球和地区预测误差上分别实现了最大减少 9.52% 和 6.74%。

    Feb, 2024