Jan, 2024

比较基于数据驱动和机械模型在落叶阔叶林中预测物候的研究

PDF
TL;DR通过使用深度神经网络预测物候指数，我们发现这种方法优于传统的基于过程的模型，突显了数据驱动方法改进气候预测的潜力。我们还分析了时间序列的变量和方面如何影响季节开始的预测，以更好地了解我们模型的优势和局限性。
发现论文，激发创造
  • 推断土壤温度与归一化差异植被指数之间的关系

    研究发现，气候变化对植物的表型学有重要影响，尤其通过改变碳循环。本研究使用机器学习技术和 SHapley 加性解释（SHAP）值分析了土壤温度、气象变量与植被表型学的关系，结果表明土壤温度与季节开始和高峰有显著关联，而气象变量也对植被表型学的年际变化产生影响，为预测和管理亚北极草地的植被表型学特征提供了宝贵的洞察和基础。

    Dec, 2023

  • 基于机器学习方法的高效气候模拟

    该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

    Aug, 2022

  • 利用模块化神经网络编码季节气候预测进行需求预测

    通过一种新颖的建模框架，我们可以有效地编码季节性气候预测，为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习，从而使得在多个实际数据集上，相对于现有需求预测方法，将季节性气候预测结果建模的误差降低了大约 13％至 17％。

    Sep, 2023

  • 基于物理学与数据驱动建模的动态系统学习方法

    本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

    Nov, 2020

  • 自然引导的认知进化模型预测北温带湖泊中的溶解氧浓度

    通过应用自然导向的认知演化（NGCE）策略，本研究通过模拟和优化学习过程，有效预测了北温带湖泊的溶解氧浓度，并揭示了不同湖泊的复杂季节模式。

    Feb, 2024

  • 利用机器学习和本地测量的混合光学湍流模型

    构建了一个以机器学习为基础的混合模型框架，通过结合基准宏观气象模型和局部观测数据，提高了每个基准模型的预测能力。该研究表明，在某些情况下，只需很少的观测数据，混合模型和仅使用局部观测数据的模型就能胜过三个基准宏观气象模型的性能。

    Oct, 2023

  • 神经广义环流模型

    通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

    Nov, 2023

  • 使用机械和统计时间序列模型进行 COVID-19 发病率的短期概率预测比较

    本研究比较了基于更新方程的机械模型和统计时间序列模型的短期概率预测，发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高疾病发病率的短期预测能力。

    May, 2023

  • 利用遥感和气候数据推导全球叶片特征地图的方法论

    这篇论文介绍了一个模块化的处理链，结合机器学习和遥感数据，推导出全球高分辨率的叶片特征图，包括比叶面积，叶干物质含量，叶干物质中的氮和磷含量，以及叶中氮磷含量比。该处理链易于扩展，能够理解数据输入的信息增益，并提供植物和生态系统范围内的特征环境关系的机会。

    Dec, 2020

  • 基于时空深度神经网络的季节性火灾预测

    利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

    Apr, 2024