Jan, 2024

利用 ERA5、ASOS 和 U-STN 模型进行英国天气预报的数据同化

PDF
TL;DR探究了数据驱动的机器学习模型与数据同化相结合的趋势对天气预测的增强作用，通过利用 ERA5 850hPa 温度数据和改进的 U-STN12 全球天气预报模型，针对英国的气候特点进行预测，并发现将大气数据整合到 DA 中显著增强了模型的准确性，然而直接同化地表温度数据倾向于减弱这种增强效果。
data-driven machine learning modelsdata assimilationweather forecastingera5global weather forecasting model
发现论文，激发创造
  • 千米尺度稀疏气象站观测的生成数据同化

    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

  • 走向一种全端到端人工智能驱动的全球天气预报系统

    全球天气预报系统中关键的数据同化模型 Adas 与 AI 天气预报模型 FengWu 的组合系统 FengWu-Adas 表现出高水平的预报技能，在七天的天气预报中超过了集成预报系统 (IFS)。

    Dec, 2023

  • 推进数据驱动的天气预报: ERA5 的滑动时间数据增强

    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

  • DiffDA：一种用于天气尺度数据同化的扩散模型

    通过精确的数据同化生成初始条件对可靠的天气预报和气候建模至关重要。我们提出了一种基于机器学习的数据同化方法 DiffDA，能够使用预测状态和稀疏观测同化大气变量。通过使用预先训练的 GraphCast 天气预报模型作为去噪扩散模型，我们的方法实现了两阶段的条件约束，并能在没有观测的情况下将预测结果后处理为未来的预测数据。实验证明，我们的方法能够产生与 0.25 度分辨率观测一致的全球大气同化数据，并且与最先进的数据同化套件生成的初始条件相比，预报模型的预测提前期最多仅损失 24 小时，从而使该方法能够应用于真实世界的实际问题，如自回归数据同化重建分析数据集。

    Jan, 2024

  • 使用机器学习代理模型的数据同化研究：以 FourCastNet 为例

    使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用 FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的 ERA5 数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

    May, 2024

  • 基于深度学习的地面气象站数据和雷达数据的降水预报

    本文提出了一种有效利用多个气象站基于地面气象观测的注意力方法 ASOC，且可以与现有基于图像的降水预测模型相结合，改善其预测效果。研究结果表明，使用该方法与现有模型相结合，可以将 1-6 小时超过 1 毫米 / 小时和 10 毫米 / 小时降雨事件的平均关键成功指标（CSI）提高 5.7％。

    Oct, 2022

  • 多模态环境下的深度生成数据同化

    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

  • 人工智能增强的数据同化与不确定性量化在地质碳储存中的应用

    研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

    Feb, 2024

  • 基于得分的两层准地转模型数据同化

    本研究论文评估了得分为基础的数据同化方法（SDA）在高维地球物理动力系统中的可伸缩性，并提出了对得分网络架构的修改，旨在显著减少内存消耗和执行时间。通过对一个双层准地转流模型的实验结果，证明了该方法的前景。

    Oct, 2023

  • 神经增量数据同化

    利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

    Jun, 2024