利用机器学习和本地测量的混合光学湍流模型

Oct, 2023

利用机器学习和本地测量的混合光学湍流模型

Hybrid Optical Turbulence Models Using Machine Learning and Local Measurements

Christopher Jellen, Charles Nelson, John Burkhardt, Cody Brownell

TL;DR构建了一个以机器学习为基础的混合模型框架，通过结合基准宏观气象模型和局部观测数据，提高了每个基准模型的预测能力。该研究表明，在某些情况下，只需很少的观测数据，混合模型和仅使用局部观测数据的模型就能胜过三个基准宏观气象模型的性能。

Abstract

Accurate prediction of atmospheric optical turbulence in localized environments is essential for estimating the performance of free-space optical systems. macro-meteorological models developed to predict turbulen

atmospheric optical turbulence macro-meteorological models machine-learning hybrid model framework predictive power

发现论文，激发创造

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

城市空气污染预测：利用卫星观测和气象预报的机器学习方法

利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

May, 2024

基于小波的混合机器学习模型用于未知来源的互联网流量预测

本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

May, 2022

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

嵌入机器学习子网格可变性改善气候模型偏差

通过在气候模型中嵌入基于高分辨率 Unified Model 模拟的多输出高斯过程（MOGP）的训练，我们克服了与云形成相关的气候模拟中的长期偏见。利用 MOGP 预测的温度和比湿的变化，对简化的大气环流模型 SPEEDY 进行在位耦合。将 SPEEDY 的温度和比湿剖面按照 MOGP 预测的变化进行固定间隔的扰动。生成了控制模型和混合 ML 模型的十年预测。混合模型将全球降水偏差减少了 18％，在热带地区减少了 22％。为了进一步了解这些改进的驱动因素，我们还探索了一些感兴趣的物理量，如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中，还运行控制和混合设置的海面温度增加 4K 的实验，以探索该方法对云覆盖和降水模式的影响。

Jun, 2024

数据驱动的天气预报模型的局限性

在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

Sep, 2023

利用深度学习结合多地区数据进行基于天空图像的太阳能预测：是在本地、全球或通过迁移学习进行模型训练？

本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略，并比较了局部模型和全局模型的性能，结果表明预训练模型在少量训练数据下可以优于其他两种策略。

Nov, 2022

Π-ML：基于维度分析的大气地表层光学湍流机器学习参数化

本文提出了一种基于物理学分析和梯度提升的机器学习方法以预测 $C_n^2$，并确定了潜在温度的归一化方差作为预测湍流强度的主导特征，并训练了一组模型以达到统计鲁棒性和高性能。

Apr, 2023

机器学习下的山地天气预报插值

该研究论文介绍了一种利用机器学习方法来在山区进行天气预测的方法，使用当前观测数据和周围平原预测数据进行插值，以间接地结合数值模拟和机器学习。同时还探讨了在降水预测中使用二元交叉熵的方法。

Aug, 2023

基于机器学习方法的高效气候模拟

该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022