Jan, 2024

DeepPhysiNet: 将深度学习与大气物理学相结合，进行精确和连续的天气建模

PDF
TL;DR将物理定律与深度学习模型相结合的 DeepPhysiNet 框架可以实现准确连续的天气系统建模，增强预测精度并获得连续的时空分辨率结果。
weather forecastingnumerical weather predictiondeep learning-based predictiondeepphysinet frameworkphysical laws
发现论文，激发创造
  • 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

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022

  • 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

  • 用神经网络将天气预报分解为平流和对流

    使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

    May, 2024

  • 朝物理一致的深度学习迈进气候模型参数化

    通过提取关键特征并使用这些相关特征进行神经网络微调，我们提出了一种有效的有监督学习框架，用于基于深度学习的参数化模型，以实现物理上一致、可解释性较强且与标准黑盒深度学习参数化模型在预测性能上保持相等的预测性能。

    Jun, 2024

  • 深度学习天气预测模型的动力测试

    全球深度学习天气预测模型与物理模型的预测效果相媲美，但这些模型是否包含大气动力学仍不清楚，本文通过四个经典的动力学实验对 Pangu-weather 模型进行检验，发现模型在所有实验中都表现出现实的物理特性，因此认为它可以作为一种快速测试想法的工具而替代昂贵的物理模型。

    Sep, 2023

  • 利用双重深度神经网络推进 PM2.5 运营预测 (D-DNet)

    提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，在 2019 年整年内保持一致的准确性，并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性，同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。

    Jun, 2024

  • 利用深度领域自适应学习预测不同地点的风力发电

    利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。

    May, 2024

  • 基于图的神经气象预测有限区域建模

    气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

    Sep, 2023

  • AirPhyNet: 利用物理引导的神经网络进行空气质量预测

    本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法，通过将空气颗粒运动的物理原理（扩散和平流）表示为微分方程网络，并利用图结构将物理知识整合到神经网络架构中，从而捕捉空气质量数据中的时空关系。实验证明，AirPhyNet 在不同测试场景下（包括不同前瞻时段、稀疏数据和突变预测）优于现有模型，预测误差降低了 10％。此外，案例研究进一步验证了我们的模型捕捉了颗粒运动的基本物理过程，并生成了具有真实物理意义的准确预测。

    Feb, 2024