Nov, 2023

机器学习对多尺度 Kain-Fritsch (MSKF) 对流方案的参数化

PDF
TL;DR南中国沿海经常发生局地且持续时间较长的暖区强降雨，预测其仍然具有挑战性。本研究提出了一个基于多输出双向长短期记忆（Bi-LSTM）模型的新的替代尺度感知 MSKF CP 方案，实验结果表明 Bi-LSTM 模型能够高精度地预测南中国地区的天气情况，并有望在灰区替代 MSKF 方案。
warm-sector heavy rainfallnumerical weather predictiongray zoneconvection parameterizationmachine learning models
发现论文，激发创造
  • 利用机器学习参数化湿对流：对气候、气候变化和极端事件建模的潜力

    本研究借助机器学习作为一个新的参数化方式，直接从高分辨率模型输出中学习新的对流参数化，然后进行了为期一年的筛查，确保新的参数化方式与原有的传统参数化方法保持一致，而且还对该新方法的效果进行了评估，结果表明，该方法能够更准确地模拟气候特征。

    Jun, 2018

  • 用神经网络将天气预报分解为平流和对流

    使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

    May, 2024

  • 随机参数化的机器学习

    使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

    Feb, 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

  • 提高孟买降雨预测的精度：利用物理信息的 ConvLSTM2D 模型提供更高的空间和时间分辨率

    本研究引入深度学习空间模型以提高精确预测城市等细致空间尺度下降水，通过使用特定地点的物理信息数据和局部精度，反映气象研究领域的当前进展。

    Apr, 2024

  • 凤舞 - GHR：学习千米尺度中程全球天气预报

    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

  • 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

  • 基于深度学习的数据驱动超参数化：多尺度 Lorenz 96 系统和迁移学习实验

    本文提出了一种新的子网格数据驱动超参数化 (DD-SP) 方法，该方法利用机器学习方法（如循环神经网络）以数据驱动的方式集成小尺度过程的方程式，与传统的参数化方法相比，DD-SP 在预测准确性和计算成本方面具有显著优势，并且研究了传递学习在模型泛化能力方面的应用和挑战。

    Feb, 2020

  • 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

  • 干燥大气边界层的生成性对流参数化

    基于生成对抗网络的对流参数化研究，能够预测对流边界层内不同高度处的合成湍流场的统计学特征，包括热浮力波动、垂直速度和浮力通量，同时捕捉最快的热气团穿过稳定顶部区域，为其他自然流动的高效数据驱动对流参数化研究铺平了道路。

    Jul, 2023