Oct, 2023

ACE：一种快速、熟练的用于气候预测的全球大气模型

PDF
TL;DR现有的基于机器学习的大气模型不适用于气候预测，我们提出了 ACE（AI2 Climate Emulator），一个 200M 参数的自回归机器学习模拟器，用于现有的包含 100km 分辨率全球大气模型。ACE 的构建允许评估质量和水分守恒等物理规律。该模拟器在 10 年内保持稳定，几乎在没有明确限制的情况下保持了纵向水分的守恒，并忠实地再现了参考模型的气候，相对于一个具有挑战性的基准模型，在超过 80% 的跟踪变量上表现更佳。ACE 所需的墙钟时间几乎比参考模型少 100 倍，并且使用常见资源效率更高 100 倍。
发现论文，激发创造
  • 基于深度学习的气候模型驱动季节预测方法

    本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

    Feb, 2023

  • ACE 指标：准确天气预报的平流和对流评估

    数据驱动的天气预测方法中的评估指标存在问题，我们提出了适用于天气变量的 ACE 指标来解决这些问题。

    Jun, 2024

  • 神经广义环流模型

    通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

    Nov, 2023

  • 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

  • 机器学习地球系统模型中的耦合海洋 - 大气动力学

    季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了 Ocean-linked-atmosphere (Ola) 模型，这是一个高分辨率 (0.25°) 的人工智能 / 机器学习耦合地球系统模型，使用自回归 Spherical Fourier 神经算子架构分别对海洋和大气动力学进行建模，以实现季节尺度上快速、精确的大量集合预测。Ola 模型表现出了海洋 - 大气耦合动力学的学习特征，包括适当相速的热带海洋波，以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺 / 南方振荡 (ENSO)。我们提供了预测 ENSO 的初步证据，与地球物理流体力学实验室的 SPEAR 模型相比具有良好的预测能力。

    Jun, 2024

  • 球面扩散下全球气候模型的概率仿真

    数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

    Jun, 2024

  • 探索适用于大气 / 海洋预测的混合机器学习 / 基于物理模型的潜力

    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

  • 深度学习仿真器对区域气候模型预测的可迁移性和可解释性：未来应用的视角

    该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题，发现该方法能够模拟区域气候模型的某些气候特征，但在不同全球气候模型间存在一定偏差，限制了其在建立区域气候预测集合方面的适用性。

    Nov, 2023

  • ClimaX：天气和气候的基础模型

    该研究介绍了一种名为 ClimaX 的深度学习模型，能够使用异构数据集（跨越不同变量，时空范围和物理基础）进行训练，预测气象和气候。ClimaX 扩展了 Transformer 架构，并表现出优越的性能。

    Jan, 2023

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023