本研究使用三种深度学习模型(U-net、ConvLSTM 和 SVG-LP)在二维降水图上进行降雨即时预测,并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。
Mar, 2022
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
使用深度生成模型从雷达数据预测监测降水,可以提高预测值和操作效用,尤其在预测较强降雨事件方面表现优秀。
Apr, 2021
利用地球同步卫星影像开发了一种降水现预报方法,并将其应用于 Yandex 天气预报,拓展了预报范围并为未来提供了全球性覆盖的可能性。
May, 2019
基于雷达数据的降水即时预报在极端天气预测中起着关键作用,对于灾害管理具有广泛的影响。本文提出了 CasCast,这是一个级联框架,由确定性部分和概率部分组成,用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模,使用帧导向扩散变换器加强极端事件的优化,同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明,CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面,CasCast 的性能明显优于基线(高达 + 91.8%)。
Feb, 2024
采用深度学习技术中的 UNET 卷积神经网络,将高分辨率(1km × 1km)短期(1 小时)降水预测视为图像翻译问题,用于气候变化适应的高分辨率实时预测,表现优于光流、持续性和 NOAA 的数值一小时 HRRR 气象预测模型。
Dec, 2019
近期基于深度学习的时序降水预测模型研究进展与性能评估综述
Jun, 2024
本研究提出了一种基于深度学习的预降水方案,利用 U-Net 模型和预训练技术来提高预测性能,使用新的损失函数减轻类别不平衡问题,实验表明相较于传统方法,本方法的准确性和精度在降水预报和降水估算中都有所提高。
Feb, 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
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