Dec, 2023

利用预训练的天气嵌入学习预测诊断参数

PDF
TL;DR使用两阶段方法，我们训练了一个自编码器来将预测变量嵌入到潜在空间，并进一步利用这些嵌入表示进行诊断变量的预测，从而实现了减少资源使用、提高准确性和降低操作新模型的摩擦。
发现论文，激发创造
  • 用于后处理集合天气预报的神经网络

    本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

    May, 2018

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024

  • 基于数据驱动的天气预测模型的现场观测验证

    使用来自 NOAA MADIS 计划的带有质量控制的场内观测数据，建立了一组验证数据集，该数据集可用于测试所有数值天气预报模型以及数据驱动的天气预测模型 (DDWPs) 的性能，旨在回答如何在确保气候公正性的情况下对 DDWPs 进行严格验证，并研究如何训练和评估 DDWPs。

    Apr, 2023

  • 推进数据驱动的天气预报: ERA5 的滑动时间数据增强

    该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

    Feb, 2024

  • 使用大型深度学习天气预测模型集进行次季节预测

    使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量，并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测，DLWP 集合在 4-6 周的前导时间内表现良好，但在更短的前导时间内表现稍差与 ECMWF 相比。

    Feb, 2021

  • 利用生成扩散模型进行降水预报

    研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

    Aug, 2023

  • 深度学习模型中的归纳偏差在天气预测中的应用

    分析了深度学习天气预测模型的感知偏差及设计元素，包括输入数据、预测目标、损失组成、神经网络结构和优化方法，并指出未来的发展趋势。

    Apr, 2023

  • 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

  • 带有掩码自编码器的预训练天气模型用于多变量天气预报

    通过预训练技术，我们提出了一种基于自编码器的气象模型 W-MAE 用于多变量天气预报，在长时间范围内建模了气象变量的空间相关性，在时间尺度上，我们利用预训练的 W-MAE 对气象变量进行未来状态的预测，与 FourCastNet 模型进行比较，W-MAE 具有更好的降雨预测性能，特别是在短到中期范围内的预测中。

    Apr, 2023

  • 大规模基于 Transformer 的天气预测的训练配方分析与探索

    通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型，我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下，也可以实现高水平的预测技巧，并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析，探索了不同的损失函数、模型尺寸和深度以及多步细调的影响，并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能，并研究了模型规模对性能的影响。

    Apr, 2024