Oct, 2023

一种用不同特征空间尺度的气象图预测巴黎雾霾发生的分枝深度卷积网络

PDF
TL;DR开发了一个深度学习平台，用于预测低能见度事件或雾霾的发生。它通过使用多年来各种气象和水文变量的区域地图作为输入特征和地表能见度观测作为目标进行训练。为了更好地保留不同输入特征的特征空间信息，最近为巴黎雾霾开发了两种分支架构。这些新架构改进了网络性能，在验证和使用 2021 年和 2022 年的数据进行盲预测评估时产生了合理的得分，这些数据未用于训练和验证。
deep learning platformforecastinglow visibility eventshazesbranched architectures
发现论文，激发创造
  • 基于深度学习的稀疏观测数据日预报

    本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

    Jun, 2023

  • 基于混合深度学习框架的深度空气质量预测

    该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

    Dec, 2018

  • 基于深度神经网络的分散式洪水预测

    该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

    Feb, 2019

  • 使用深度神经网络进行降水现在预报

    本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

    Mar, 2022

  • 基于众包的深度卷积神经网络用于城市洪水深度制图

    本研究使用深度卷积网络分析水淹交通标志的众包图片，确定洪水深度，实现低成本、准确和实时洪水风险地图制作。测试表明，该模型的平均绝对误差为 6.978 英寸，与先前研究相当，从而证明了该方法的适用性。

    Sep, 2022

  • 利用卷积神经网络在立方球面上改善基于数据的全球天气预报

    使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

    Mar, 2020

  • MetNet：降水预测的神经气象模型

    利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

    Mar, 2020

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 利用 GOES-16 卫星观测实现对对流生成的深度学习物理解释预测

    通过多通道红外 GOES-R 卫星观测数据，基于目标的概率深度学习模型被开发用于预测对流发生，同时发现多层面上的湿度和云特征对模型决策过程具有重要影响，并表明使用不同的基准线有助于进一步理解模型行为和获得科学见解。

    Oct, 2023

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022