机器学习下的山地天气预报插值
该研究通过应用机器学习算法,分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就,并提供了有价值的洞察和特征相关性。
Feb, 2024
复杂的机器学习模型在天气和气候预测中取得了高预测准确性,但不透明性限制了用户的信任和模型的进一步改进。因此,提高天气和气候模型的可信度和效用至关重要,我们调查了当前应用于气象预测的可解释机器学习方法,并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后,我们讨论了实现与物理原理相一致的更深层次的机械解释,开发标准化评估基准,将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。
Mar, 2024
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
使用图注意力网络和多层感知器,我们提出了一个简单而有效的机器学习模型,可以分别学习动力核心中的水平运动和物理参数化中的垂直运动,以提高全球天气预报的准确性和效率。
May, 2024
使用机器学习模型梯度提升决策树,通过训练历史数值天气预报和站点观测数据,优化澳大利亚多个地点的温度和露点的预测,结果显示与传统方法相比有显著改进,并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。
Apr, 2024
本文针对机器学习在全球气候模型统计降尺度中的应用进行研究,将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析,结果表明直接应用最新的机器学习方法不能优于较简单的传统方法,文中特别关注了美国东北部地区的每日降水量,结果对每种方法的能力进行了评估。
Feb, 2017
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