利用预训练的天气嵌入学习预测诊断参数
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
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
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
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