Nov, 2023

基于注意力机制的雪水当量预测模型

PDF
TL;DR通过使用注意机制，针对 Snow Water-Equivalent（SWE）进行预测，本研究证明了基于注意机制的模型在空间和时间上优于其他机器学习方法，并提供了生成空间完整性 SWE 地图的部署路线图。
snow water-equivalentswe predictionmachine learningattention mechanismsspatial and temporal attention
发现论文，激发创造
  • 利用机器学习技术进行雪融驱动型水流预测的比较分析

    利用深度学习模型中的时序卷积网络（TCN），在喜马拉雅山流域的喜马拉雅区进行雪融驱动的径流建模，结果表明 TCN 模型优于传统机器学习方法，适用于雪融驱动的流量预测及类似水文应用。

    Apr, 2024

  • 基于自编码器的雪旱指数

    提出了一种基于机器学习算法的新指标 SnoDRI，通过评估雪旱事件和指数的巧合程度，用于识别和量化降雪旱灾情况，以研究影响水源的降雪融化、雪旱对降雪贮存量减少的影响、太平洋美国地区 1981 年至 2021 年再分析数据集的评估和重要变量的特征提取。

    May, 2023

  • 基于 Swin-UNETR 的时空迁移学习的降水现在预报

    应用 Swin-UNETR 模型进行欧洲十个不同地区的降水预报研究，以提高应对极端天气事件的能力。

    Nov, 2023

  • 结合卫星和气象数据进行作物类型地图绘制：一种逆向建模方法

    用天气和卫星影像结合的逆模型方法，提出了一种深度学习模型 WSTATT，能够精确生成农田作物分布地图，具有较传统方法更好的预测效果和提前五个月预测作物类型的能力，评估结果与作物表现学相一致。

    Jan, 2024

  • TransGlow: 基于图神经网络的注意力增强传导模型用于水流预测

    该研究论文提出了一种基于图卷积循环神经网络和注意机制的时空预测模型 TransGlow，用于水量的水文预测与预测建模，通过对水系统的动态性和有限数据进行建模，实验结果表明该模型在水文应用领域取得了显著的优势。

    Dec, 2023

  • 基于远程联系信息的高效亚季节气象预测

    借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

    Jan, 2024

  • 自监督预训练用于降水后处理器

    我们提出了一种基于深度学习的降水后处理方法来提高数值天气预报模型的降水预报能力，通过自监督预训练和迁移学习，在区域天气预报中得到了比其他方法更好的结果。

    Oct, 2023

  • 利用公开可用的多模态数据源估算关键山地水盆积雪量

    利用多源空间和时间信息的方法，借助卫星数据和天气数据，可以有效地估测关键山区的积雪深度，其可取代高昂、稀少、偏向已开发区域的多次 LiDAR 测量或就地漫长实地调查。

    Aug, 2022

  • 利用天气预报数据作为输入，对深度神经网络模型估计蒸散发的影响

    使用天气预报数据进行 ET0 估计的研究表明，将 SR 估计用于 ET0 计算时具有最佳结果，相关系数在 0.893 至 0.667 之间。

    Mar, 2024

  • 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