Jan, 2024

GA-SmaAt-GNet：极端降水即时预报的生成对抗小注意力 GNet

PDF
TL;DR提出了 GA-SmaAt-GNet，一种新颖的生成对抗网络架构，通过使用两种方法以提高极端降水近场的深度学习模型的性能。首先，使用了基于 SmaAt-UNet 架构的新型 SmaAt-GNet 作为生成器，这个网络利用降水蒙版（二值化降水图）作为额外的数据源，以改进预测。此外，GA-SmaAt-GNet 利用了一个增强注意力的判别器，受到了 Pix2Pix 架构的启发。该研究在荷兰的实际降水数据集上评估了 GA-SmaAt-GNet 的性能，结果显示在整体性能和极端降水事件方面都有显著改进。最后，使用 Grad-CAM 方法进一步解释了所提出模型的预测，生成激活热图，用于说明网络各部分更活跃的输入区域。
发现论文，激发创造
  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 基于生成式深度学习的降水预测随机降尺度方法

    本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

    Apr, 2022

  • PAUNet：一种基于降水注意力的卫星亮温数据的降水预测 U-Net

    这篇论文介绍了基于降水关注的 U-Net（PAUNet）的深度学习架构，用于根据卫星辐射数据预测降水，解决 Weather4cast 2023 比赛的挑战。PAUNet 是 U-Net 和 Res-Net 的一种变体，通过编码器卷积层的中心裁剪和注意机制，有效捕捉多波段卫星图像中的大尺度上下文信息，包括可见光、水汽和红外波段。通过基于各种欧洲地区的大规模数据集进行训练，PAUNet 在多个时间段的降雨预测中表现出了显著的准确性，具有比基准模型更高的临界成功指数（CSI）得分。PAUNet 的架构和训练方法对于降水预测的改进具有重要意义，对紧急救援、零售和供应链管理等领域至关重要。

    Nov, 2023

  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • GD-CAF: 图形双流卷积注意融合在降水预测中的应用

    准确的降水现在预测对于洪水预测、灾害管理、优化农业活动、管理交通路线和可再生能源至关重要。本研究将降水现在预测建模为一个时空图序列预测问题，并引入图形双流卷积注意融合 (GD-CAF)，该方法通过学习历史降水地图的时空图来预测未来时空位置的降水情况。经过实验证明，GD-CAF 模型优于其他模型，并提供了关于不同区域和时间步长之间最强连接的空间和时间注意力分数的平均季节化可视化，为模型的决策过程提供了进一步的洞察。

    Jan, 2024

  • AA-TransUNet：用于现时预测任务的加强注意力的 TransUNet

    本文介绍一种新型的预测性模型，名为 “Attention Augmented TransUNet (AA-TransUNet)”，将 TransUNet 和 Convolutional Block Attention Modules (CBAM) 以及 Depthwise-separable Convolution (DSC) 结合起来，应用于降雨预测任务，并在 Dutch precipitation map dataset 和 French cloud cover dataset 上进行评估，结果表明 AA-TransUNet 模型在两个测试数据集上的表现均优于其他模型，并提供了该模型预测的不确定性分析。

    Feb, 2022

  • 使用深度神经网络进行降水现在预报

    本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

    Mar, 2022

  • MetNet：降水预测的神经气象模型

    利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

    Mar, 2020

  • RainAI -- 卫星数据降水即时预测

    通过使用 2D U-Net 模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

    Nov, 2023

  • 使用物理知情鉴别生成模型进行降水即时预报

    使用荷兰皇家气象研究所（KNMI）的降水和气象数据，我们设计了一种物理信息神经网络用于降水预报，该模型在生成对抗学习框架中直接将物理监督集成进去，并采用了 VQ-GAN 和 Transformer 生成器以及时间鉴别器，研究结果表明，PID-GAN 模型在降水预报下游指标上优于数值和 SOTA 深度生成模型。

    Jun, 2024