Aug, 2023

盘古气象预报模型与气象运营数据之间的兼容性

PDF
TL;DR最近，基于机器学习的多个数据驱动模型在天气预报方面取得了重要突破，与传统的数值天气预报系统相比，这些模型在准确性方面更具竞争力。该论文评估了开源且非商业使用的 Pangu-Weather 模型与多种常用数值天气预报操作分析的兼容性，并通过实例研究表明，Pangu-Weather 模型作为模型初始条件与不同数值天气预报系统的操作分析兼容且具有相对稳定的预测能力。此外，研究还验证了改善全球或本地初始条件的质量对提高 Pangu-Weather 模型的预测性能起到了显著贡献。
data-driven modelsmachine learningweather forecastingpangu-weather modelforecasting performance
发现论文，激发创造
  • Pangu-Weather: 快速准确的全球天气预报的 3D 高分辨率模型

    本文提出基于深度学习的 Pangu-Weather 系统，用于快速而准确的全球天气预报。通过大量数据和深度神经网络，提高了预报精度，成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法，为未来深度学习天气预报系统的改进提供了新方向。

    Nov, 2022

  • 数据驱动的天气预报模型的局限性

    在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

    Sep, 2023

  • 深度学习天气预测模型的动力测试

    全球深度学习天气预测模型与物理模型的预测效果相媲美，但这些模型是否包含大气动力学仍不清楚，本文通过四个经典的动力学实验对 Pangu-weather 模型进行检验，发现模型在所有实验中都表现出现实的物理特性，因此认为它可以作为一种快速测试想法的工具而替代昂贵的物理模型。

    Sep, 2023

  • 未来技术对未来的预测：大型气象模型的进展

    该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

    Apr, 2024

  • 用于运营的数据驱动气象预测模型集合的亚季节预测

    我们提出了一个实用的多模式集成天气预报系统，该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心（ECMWF）海洋模型相结合，在 4 周的前期预测全球天气，分辨率为 1 度。对于 2 米温度的预测，我们的集成模型相比于原始的 ECMWF 扩展范围集成模型，在平均性能上提高了 4-17％（根据预测提前期而定）。然而，在应用统计偏差修正之后，ECMWF 集成模型在 4 周时相比较好，优势约为 3％。对于其他地表参数，我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。

    Mar, 2024

  • 基于远程联系信息的高效亚季节气象预测

    借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

    Jan, 2024

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024

  • 验证深度学习天气预报模型在近期高影响极端事件上的准确性

    深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

    Apr, 2024

  • 一种实用的用于人工智能天气模型的概率基准

    天气模型的概率技能与延迟集合相比较，发现 GraphCast 和 Pangu 是领先的 AI 天气模型，在确定性评分方面前者优于后者，但在概率 CRPS 指标上两者得分相同。

    Jan, 2024

  • 全球神经天气模型预测严重对流环境的闪电快速暴风雨预警

    近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

    Jun, 2024