富西 - 极端:基于扩散模型改进极端降雨和风力预报
使用机器学习技术开发的 FuXi 天气预报系统,在全球 15 天天气预报方面表现与 ECMWF EM 相当,是第一个取得这一成就的 ML-based 天气预报系统。
Jun, 2023
Ensemble weather forecasting has traditionally relied on computationally expensive numerical weather prediction models, but the FuXi-ENS machine learning model provides advanced global ensemble weather forecasts with improved spatial resolution and outperforms traditional models in most cases.
May, 2024
深度学习天气预测模型的预测准确性正在迅速提高,但仍存在需求,需要综合评估这些新兴技术的全面性。通过对比三个案例研究,我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性,但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充,增加公众信任,并有助于开发可靠的机器学习天气预测模型。
Apr, 2024
超过 2 周的熟练次季节预测对社会各个领域的广泛应用至关重要。本研究介绍了基于机器学习的 FuXi-S2S 次季节预测模型,它以全球每日平均预测为特点,覆盖了 13 个压力层上的 5 个高层大气变量和 11 个地表变量,提供了高达 42 天的预测。与 ECMWF 的次季节预测相比,FuXi-S2S 模型在总降水、出射长波辐射和 500 hPa 高空位势等方面展示出优越的确定性和集合预测,对 Madden Julian Oscillation (MJO) 的预测从 30 天延长到 36 天。
Dec, 2023
该研究论文介绍了一个基于人工智能的先进数据驱动的全球中程天气预报系统 FengWu,该系统从多模态和多任务的角度解决介质范围的天气预报问题,可在 0.25 度经纬度分辨率下预测未来 37 个垂直层次的地面和大气状态,与现有天气预报方法相比,FengWu 性能更佳。
Apr, 2023
基于机器学习的数据驱动天气预报在全球中期预报方面表现出优于传统基于物理的动力模型的快速发展和卓越性能。通过数学分析,我们证明了使用对称损失如均方误差(MSE)会导致偏差预测和极值低估。为了解决这个问题,我们引入了 Exloss,一种执行非对称优化并突出显示极值以获得准确极端天气预报的新型损失函数。此外,我们引入了一种无需训练的极值增强策略 ExEnsemble,它增加了像素值的方差并提高了预报的鲁棒性。结合先进的全球天气预报模型,广泛的实验表明我们的解决方案在极端天气预测方面可以达到与顶级中期预报模型相当的准确性。
Feb, 2024
FengWu-GHR 是第一个以 0.09° 水平分辨率运行的基于数据驱动全球天气预报模型,该模型通过继承来自深度学习预训练低分辨率模型的先前知识实现了高分辨率的天气预测,2022 年的天气预测回测结果表明 FengWu-GHR 优于 IFS-HRES,并且对站点观测数据和极端事件的案例研究支持了 FengWu-GHR 在高分辨率下的竞争性操作预报技能。
Jan, 2024
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
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