Oct, 2023

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 降水预测的深度学习：基准和新模型

    该研究提出了一种新的Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

    Jun, 2017

  • 基于雷达图像的降水现在预报机器学习

    采用深度学习技术中的UNET卷积神经网络，将高分辨率（1km × 1km）短期（1小时）降水预测视为图像翻译问题，用于气候变化适应的高分辨率实时预测，表现优于光流、持续性和NOAA的数值一小时HRRR气象预测模型。

    Dec, 2019

  • 使用深度生成模型进行降水熟练的即时预报

    使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。

    Apr, 2021

  • 基于深度学习的地面气象站数据和雷达数据的降水预报

    本文提出了一种有效利用多个气象站基于地面气象观测的注意力方法ASOC，且可以与现有基于图像的降水预测模型相结合，改善其预测效果。研究结果表明，使用该方法与现有模型相结合，可以将1-6小时超过1毫米/小时和10毫米/小时降雨事件的平均关键成功指标（CSI）提高5.7％。

    Oct, 2022

  • GPM集成多卫星获取的全球降水预报：一种U-Net卷积LSTM架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每30分钟进行一次未来4小时的预测。该架构融合了U-Net和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为10公里的尺度下，该模型仍然具有较高的技能得分，尤其对于4毫米/小时以上的降水情况。

    Jul, 2023

  • 基于Transformer的卫星图像雷达合成的严重天气即时预报

    使用卫星数据的变压器模型现在预测地基雷达图像序列，可在两小时领先时间内，支持大范围的降水预测并为数据稀缺地区提供雷达替代品。

    Oct, 2023

  • 利用NowcastNet实现熟练的降水即时预报

    设计有效的短期降水预警系统是必要的，气候变化导致极端天气事件频率增加，相关机构可以通过基于深度学习的现在预测模型在几秒内做出准确预测，以便更好地应对对农业、交通、公共卫生和安全等方面的影响。

    Nov, 2023

  • RainAI -- 卫星数据降水即时预测

    通过使用2D U-Net模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

    Nov, 2023

  • 使用卫星的深度扩散模型进行四小时雷暴现场预测

    提出了基于人工智能的对流早期预警系统，通过采用扩散模型与地球同步卫星数据，极大地提升了对流云的预测能力，达到了新的高度。

    Apr, 2024

  • 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