本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解，为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。

Aug, 2017

提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

Oct, 2020

本研究构建了一个基于卫星图像数据的热带气旋快速加强预测基准并展示了深度学习在解决复杂气象问题方面，如快速加强预测中的优越性能。

Sep, 2019

本研究首次探索视觉变换器（ViT）的全局上下文学习潜力以实现密集视觉预测，编码图像作为一系列补丁并学习全局上下文，使 ViT 可以捕获更强的长距离依赖信息，提出的分割转换器（SETR）在 ADE20K 和 Pascal Context 数据集上取得了出色表现，同时提出了一系列分层本地 - 全局转换器，架构由局部关注（在窗口内）和全局关注（跨窗口）构成，对于各种密集预测任务具有吸引人的性能

Jul, 2022

利用多域融合技术，结合深度学习和天气遥感数据检测农作物疾病的新方法取得了 97% 的准确率，该方法由三个 Transformer 组成，通过结合图像与天气数据信息达到多模态融合，解决了数据融合问题。

Sep, 2022

本文提出了一种新的 Transformer 结构，即 Transformer iN Transformer（TNT），旨在提高图像处理中变换器的性能，通过在局部感知机制内利用可忽略计算成本的注意力机制以进一步将图像局部细化，从而在 ImageNet 基准测试中实现了 81.5% 的 Top-1 准确率，较相似计算成本的最先进的可视变换器高出 1.7%。

Feb, 2021

Transformer 在计算机视觉领域得到应用，其在自然语言处理方面表现出色，超越了传统卷积神经网络并取得了新的最先进结果。通过将图像分割成多个局部补丁，即 “视觉句子”，ViT 实现了这一目标。然而，图像所包含的信息是庞大而复杂的，仅关注 “视觉句子” 级别的特征是不够的。为了进一步提高性能，TNT 模型提出了进一步划分图像为更小的补丁，即 “视觉词”，得到了更准确的结果。Transformer 的核心是多头注意力机制，传统的注意力机制忽略了不同注意力头之间的相互作用。为了减少冗余并提高利用率，我们引入了嵌套算法，并将 Nested-TNT 应用于图像分类任务。实验证实，所提出的模型在数据集 CIFAR10 上比 ViT 和 TNT 分别提高了 2.25%、1.1%，在数据集 FLOWERS102 上分别提高了 2.78%、0.25% 的分类性能。

Apr, 2024

利用散射变换从多通道卫星图像中提取高级特征，并引入分离方案以关注独立输入通道，通过实验对热带气旋强度估计和卫星图像中雷电预测显示出有希望的结果。

Oct, 2022

我们引入了一种基于 Transformer 的神经网络，从地球同步卫星影像生成高分辨率（3km）的合成雷达反射率场，旨在提高高影响天气事件的短期对流尺度预报能力，并在美国数值天气预报的数据同化中提供帮助。与卷积方法相比，我们的结果显示出对各种复合反射率阈值的改善锐度和更高准确性。通过额外的特定大气现象案例研究支持我们的定量研究结果，同时引入了一种新颖的归因方法来指导领域专家理解模型的输出。

Jun, 2024

使用可见卫星图像，基于 AlexNet 架构引入两种基于模型的集成模型来估计热带气旋强度，其中全局模型和分布式模型在性能上均优于基准模型，并提供了详细的解决方案讨论和对 AlexNet 性能的解释。

Apr, 2024