天气和气候数据理解的基础模型:一项综合调查
机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面,科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法,主要来自于变换器和算子学习文献,并结合气象学的背景提出了成功的标准,期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力,如下降尺度(超分辨率)、火灾有利条件的识别以及对各种时空尺度(如飓风和大气河流)具有重大影响的气象现象的预测。特别是,我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。
Sep, 2023
该研究介绍了一种名为 ClimaX 的深度学习模型,能够使用异构数据集(跨越不同变量,时空范围和物理基础)进行训练,预测气象和气候。ClimaX 扩展了 Transformer 架构,并表现出优越的性能。
Jan, 2023
ClimateLearn 是第一个大规模的开源项目,旨在将气象和气候模型与现代机器学习系统进行连接,它能够大大简化机器学习模型的训练和评估,并包括综合流程,实现深度学习模型和定量和定性评估。
Jul, 2023
该论文回顾了大型模型,尤其是采用深度学习技术的模型在天气预报中的进展和应用,强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络(CNN)、图神经网络(GNN)和 Transformer 等先进的神经网络架构来处理各种气象数据,提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战,包括数据获取和计算需求,并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合,承诺提高天气预报准确性,并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。
Apr, 2024
在天气与气候预测领域,机器学习(ML)正对传统基于物理模型的预测模型提供有力的挑战,并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察,发现相比于基于物理模型的预测,ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外,ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用,并且在实际应用中具有极低的计算成本,因此能够为预测信息提供一种有价值的额外来源。
Sep, 2023
提出了一种物理 - 人工智能(AI)混合模型(即 WeatherGFT),将天气预报推广到超出训练数据集的更细时间尺度,并通过引入一个提前时间感知的训练框架来促进模型在不同提前时间上的推广,实验证明 WeatherGFT 在多个提前时间上达到了最先进的性能,并展现了 30 分钟预测的泛化能力。
May, 2024
评估大型语言模型对气候变化主题的能力,从科学沟通原则出发,提供一个全面的评估框架,强调 LLM 生成结果的呈现和认识适当性,揭示 LLM 在气候传播领域的潜力和局限性。
Oct, 2023
复杂的机器学习模型在天气和气候预测中取得了高预测准确性,但不透明性限制了用户的信任和模型的进一步改进。因此,提高天气和气候模型的可信度和效用至关重要,我们调查了当前应用于气象预测的可解释机器学习方法,并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后,我们讨论了实现与物理原理相一致的更深层次的机械解释,开发标准化评估基准,将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。
Mar, 2024
地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态,以数据为中心的人工智能范例从结构化和非结构化数据中发现见解,灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能,但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战,提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键,尽管当前存在限制,地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解,其不断向集成化的数据驱动建模演化具有改变范式的潜力。
Sep, 2023