Aug, 2023

WeatherBench 2：面向下一代数据驱动的全球天气模型的基准测试

PDF
TL;DRWeatherBench 2 是由 Rasp et al. (2020) 提出的全球中程（1-14 天）天气预测基准的更新版本，旨在加速数据驱动的天气模型的进展。本文描述了评估框架的设计原则，并呈现了当前最先进的物理模型和数据驱动的天气模型的结果。评估指标基于在领先的操作性天气中心评估天气预报的已建立实践，我们定义一组引人注目的分数以提供模型性能的概览。此外，我们还讨论了当前评估设置的注意事项以及数据驱动天气预测未来面临的挑战。
发现论文，激发创造
  • WeatherBench：面向数据驱动天气预测的基准数据集

    本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

    Feb, 2020

  • ChaosBench：适用于亚季节到季节气候预测的多渠道物理基准

    为了提高灾害应对能力，降低经济风险并在气候变化下改善政策制定，对亚季节尺度的气候准确预测至关重要。然而，由于系统的混沌性质，亚季节尺度的预测仍然具有挑战性。为此，我们提出了一种基于物理模型的大规模混沌准则，ChaosBench，用于亚季节尺度的预测。该准则包括了超过 460K 个真实观测和模拟数据帧，每个帧含有 60 个变量通道，时间跨度长达 45 年。我们还提出了一些基于物理模型的度量方法，除了视觉方法，进一步提高了模型的物理一致性。此外，我们还将 4 个国家气象机构的物理模型预测作为基线与我们的数据驱动模型进行对比。我们建立了两个不同复杂度的任务：完整动力学预测和稀疏动力学预测。我们的评估结果表明，在现有模型上进行大规模评估，包括 PanguWeather，FourCastNetV2，GraphCast 和 ClimaX，发现原本用于天气尺度应用的方法在亚季节尺度任务上失效。我们在该 URL 上发布了我们的准则代码和数据集。

    Feb, 2024

  • WEATHER-5K：全球大型站点天气数据集用于综合时间序列预测基准

    全球站点天气预测（GSWF）对航空、农业、能源和灾害准备等各个领域至关重要。最近深度学习的进展通过基于公共气象数据优化模型，显著提高了天气预测的准确性。然而，现有的 GSWF 优化和基准数据集仍存在重大限制，如规模小、时间覆盖有限和缺乏全面的变量。为了应对这些挑战，我们推出了 WEATHER-5K 数据集，它包含来自全球 5,672 个气象站点的全面数据收集，涵盖了 10 年的时间间隔为一小时。该数据集包含多个关键的天气要素，为预测提供了更可靠、可解释的资源。此外，我们的 WEATHER-5K 数据集可作为评估现有著名预测模型的基准，扩展到 GSWF 方法之外，支持未来的时间序列研究挑战和机会。数据集和基准实现已公开在：这个 https 网址。

    Jun, 2024

  • PostRainBench：全面基准和新型降水预测模型

    通过提出 PostRainBench 多变量 NWP 后处理基准，我们介绍了一种简单但有效的渠道注意增强多任务学习框架 CAMT，它能在极端降水条件下优于传统的数值天气预报方法，进而减轻极端天气事件的严重后果。

    Oct, 2023

  • 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

  • 应用图神经网络预测全球天气

    使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

    Feb, 2022

  • 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

  • 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

  • 基于循环卷积网络的短期天气预报改进

    该研究承担了预测卫星气象数据的二维场的时间演变的任务，使其成为一个更加具有竞争力的浅层模型版本，并采用了 AdaBelief 优化器和改进处理，其中预测变量训练集与验证集不匹配时，通过使用多个模型来提高表现。

    Nov, 2021

  • 土豚天气：端到端数据驱动的天气预报

    机器学习正在颠覆中程天气预报，本研究提出了 Aardvark Weather，首个全数据驱动的天气预测系统，将全天候数据作为输入，提供全球和本地预报，以简洁高效的方式进行中程天气预测。

    Mar, 2024