基于多模式学习的高分辨率空间风速场重建
利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场,并展示该模型能够成功重构完全解析的三维速度场,并且优于三线性插值,同时通过适当的代价函数可以减少对对抗训练的使用。
Sep, 2023
通过高分辨率风场的超分辨率处理,本研究展示了一种基于物理信息的超分辨率生成对抗网络(SR-GAN)的初步开发,可以将低分辨率的三维风场提升 9 倍,获得高保真度的风场数据,并大幅降低了高分辨率风场模拟的计算成本。
Dec, 2023
数据同化对于天气预报模型的初始化至关重要。最近,提出了深度生成数据同化的方法,可以在不重新训练模型的情况下使用新的输入数据,从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中,我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后,利用基于得分的数据同化方法将稀疏的气象站数据融合进模型,模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构,如阵风,敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明,这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据,对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性,如集合数据同化估计欠精确,但总体上结果令人鼓舞,并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候,可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。
Jun, 2024
通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构,使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据,从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时,提供了准确的重建结果,并显示出对不同海况的良好泛化表现,其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。
May, 2023
我们通过训练一个名为 WindSeer 的神经网络,使用合成数据和少量噪声和空间聚合的风测量数据,成功地实时预测了低空风向。该模型能够在不同分辨率和域大小上生成准确的预测结果,并能够预测历史风速数据和飞行器上测量的风速。
Jan, 2024
通过深度生成模型,我们提出了 SLAMS 方法,用于使用实际数据集进行多模态数据同化,将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面,这是构建强大的计算模拟器的重要步骤。
Apr, 2024
本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法,通过卷积神经网络的多尺度模型,及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来,该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证,表明其能够满足多种流场重建的需求。
Apr, 2020
本文利用深度学习与循环神经网络算法,提出一种时空风速预测模型,并利用其进行风能预测。研究结果表明,该模型不仅可以显著提高短期预测水平,同时可以模拟并预测获得更多数据的实体之间的相互作用。
Jul, 2017
本研究运用生成对抗网络(GANs)和计算机视觉技术,通过图像超分辨率和深度学习方法,针对低分辨率全球再分析数据,生成逼真的高分辨率地表风场,并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。
Feb, 2023