Oct, 2023

WeatherGNN：利用复杂关系进行数值天气预报偏差修正

PDF
TL;DR提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。
numerical weather predictionbias-correctionweathergnngraph neural networksmeteorologic interactions
发现论文，激发创造
  • 基于图的神经气象预测有限区域建模

    气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

    Sep, 2023

  • 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

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 云天九：利用可解释图神经网络分析气象观测对天气预报的影响

    使用可解释的图神经网络（XGNNs）的基于 XGNN 的大气状态估计模型，结合数值天气预报模型，提供了一个名为 “CloudNine” 的新型系统，用于分析个体观测数据对特定预测的影响，并在特定空间区域和时间段可视化观测数据对预测的影响。

    Feb, 2024

  • 基于多重对抗时空网络的联合空气质量和天气预测

    本文提出了 Multi-adversarial spatiotemporal recurrent Graph Neural Networks（MasterGNN）模型，通过模型化空气质量和气象监测站之间的时空自相关性，并采用多元对抗图学习框架来预测城市内的空气质量和天气，并将多元对抗学习作为多任务学习来解决观察噪声扩散的问题，实验表明 MasterGNN 在空气质量和气象预测任务中表现最佳。

    Dec, 2020

  • 大气状态估计中可解释的图神经网络对观测影响分析

    本研究通过使用图神经网络（GNNs）和可解释性方法，研究了观测对天气预报系统中的大气状态估计的影响。我们将观测和数值天气预报（NWP）点整合到一个气象图中，提取以 NWP 点为中心的 k 跳子图。采用自监督的 GNNs 来聚合这些 k 跳半径内的数据，估计大气状态。通过基于梯度的可解释性方法，评估了来自 11 个卫星和陆地观测数据，结果突出了可视化观测类型重要性的有效性，增强了对天气预报中观测数据的理解和优化。

    Mar, 2024

  • 因果图神经网络用于野火危险预测

    通过图神经网络将原因与复杂变量之间的因果机制显式建模，提高了欧洲北方和地中海生物群系野火模式预测的性能。该方法在高度不平衡的数据集中表现出卓越的性能，并增强了模型适应功能关系变化的稳健性。通过训练模型得到的 SHAP 值进一步增强了我们对模型内在工作原理的理解。

    Mar, 2024

  • 基于可解释和可靠的机器学习的现场特定确定性温湿度预测

    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

  • 利用 GNN 进行伦敦自行车共享服务的天气和工作日预测的空间图粗化

    本研究介绍了使用图神经网络（GNN）来预测伦敦某一天的天气和星期几，使用桑坦德自行车共享系统的数据集作为图分类任务。我们的模型在土地利用特征、自行车站周围的家庭数量以及城市温度等图特征的基础上，通过引入训练节点嵌入的图特征拼接运算符和以地理相邻性为基础的图粗化运算符「空间图粗化」，在交叉熵损失和验证数据集准确率上优于基准模型。

    Aug, 2023