Sep, 2023

发掘动态模式分解和深度学习在印度东北降雨预测中的能力

PDF
TL;DR使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。
发现论文，激发创造
  • ResDMD：一种带有残差的 DMD 神经网络进行十年预测

    通过将神经网络引入 Dynamic Mode Decomposition 模型，让其能更好地模拟全球海表温度，以支持在几年到十年时间尺度内气候适应性决策的制定。

    Jun, 2021

  • DeepRain: 使用多通道雷达数据的 ConvLSTM 网络进行降水预测

    本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

    Nov, 2017

  • 提高孟买降雨预测的精度：利用物理信息的 ConvLSTM2D 模型提供更高的空间和时间分辨率

    本研究引入深度学习空间模型以提高精确预测城市等细致空间尺度下降水，通过使用特定地点的物理信息数据和局部精度，反映气象研究领域的当前进展。

    Apr, 2024

  • 两阶段降雨预测扩散模型

    通过提出一种两阶段降雨预测扩散模型 (TRDM)，我们改善了深度神经网络在长期降雨预报中的准确性，解决了模糊生成图像和空间位置错误的问题。第一阶段捕捉强大的时间信息并保留低分辨率条件下的空间信息，第二阶段对第一阶段生成的低分辨率图像进行高分辨率重建。我们展示了在 MRMS 和瑞典雷达数据集上最先进的结果。

    Feb, 2024

  • 基于 Transformer 的大气密度预测

    2025 年太阳活动周期达到高峰时，单个地磁风暴对居住空间物体轨道的显著影响，大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构，改进了以往用于大气密度预测的线性传播方法，通过从历史大气密度数据中学习多层权重，捕捉数据集中的长期依赖关系，实现了大气密度预测。同时，比较了以前使用的基于动态模式分解与控制（DMDc）和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。

    Oct, 2023

  • 利用长短期记忆网络（LSTM）合并西班牙内华达山区的降水数据

    利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。

    Apr, 2024

  • 基于地理气象数据的深度神经网络长期干旱预测

    我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

    Sep, 2023

  • 大气化学数据的优化动态模式分解重建和预测

    优化的动态模态分解算法用于构建自适应且具有高计算效率的全球大气化学动力学的降阶模型和预测工具，通过利用低维度的全球时空模态，可以计算出对应的可解释的空间和时间尺度特征，并通过线性模型实现预测。该方法在三个月的全球化学动力学数据上展示了其在计算速度和可解释性方面的显著性能，成功提取了大气化学的知名主要特征，如夏季地表污染和生物质燃烧活动，并且动态模态分解算法可以迅速重构基础线性模型，以适应非平稳数据和动态变化。

    Apr, 2024

  • 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为

    使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现，同时提出的这个背景与之前的水文理解相符。

    Jul, 2019

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018