基于远程联系信息的高效亚季节气象预测
本文提出了一种基于遥感桥连远程影响视觉编码器(TeleViT)的方法,用于预测全球大火的模式,并证明了在长达四个月的预测窗口中,它在准确预测全球烧毁区域模式方面的优越性。
Jun, 2023
本研究提出了一种基于 AI 的天气预测系统,通过将物理约束作为归纳先验嵌入到神经网络架构中,将 2D 注意力与基于列的注意力特征交互模块相结合,设计出一种名为 ArchesWeather 的转换器模型,证明了该设计改进了预测技巧。
May, 2024
我们提出了一种适用于球面几何的因子化注意力模型,用于天气预测。该模型在精确度和效率上的表现与纯数据驱动的机器学习天气预测模型相当,具备在准确度与计算成本上优于基于 Transformer 模型的标准注意力模型的潜力。
May, 2024
该论文回顾了大型模型,尤其是采用深度学习技术的模型在天气预报中的进展和应用,强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络(CNN)、图神经网络(GNN)和 Transformer 等先进的神经网络架构来处理各种气象数据,提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战,包括数据获取和计算需求,并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合,承诺提高天气预报准确性,并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。
Apr, 2024
本文提出基于深度学习的 Pangu-Weather 系统,用于快速而准确的全球天气预报。通过大量数据和深度神经网络,提高了预报精度,成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法,为未来深度学习天气预报系统的改进提供了新方向。
Nov, 2022
机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面,科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法,主要来自于变换器和算子学习文献,并结合气象学的背景提出了成功的标准,期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力,如下降尺度(超分辨率)、火灾有利条件的识别以及对各种时空尺度(如飓风和大气河流)具有重大影响的气象现象的预测。特别是,我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。
Sep, 2023
通过结合稀疏注意机制和引入非线性输出层的变体模型,本研究基于变压器模型对水位进行多步预测,并考虑同时的气象和水文因素。结果表明,该变体模型相比传统的变压器模型,在不同的前瞻时间内以各种评估指标显示出更好的性能。基于 XAI 技术的敏感性分析显示出气象因素对水位演变的显著影响,其中温度是最重要的气象因素。因此,同时考虑气象和水文因素对可靠的水文预测和防洪工作至关重要,并且 XAI 技术帮助理解预测结果并评估其合理性。
May, 2024
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
我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率,特别是用于长期决策,同时利用气候模型的内在因素和见解来增强干旱预测,通过比较评估结果表明,卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型,ROC AUC 分数从 0.90 到 0.70,推荐根据预测时间跨度选择合适的模型进行长期干旱预测。
Sep, 2023
通过研究不同的机器学习方法,包括梯度提升和深度学习等,对美国本土的次季气候预测(SSF)进行了研究,发现通过精细构建特征表示方法,即使是简单的线性回归模型,如 Lasso,都可以取得良好的表现。期望通过研究特征的重要性,实现对气候和土地等协变量预测的进一步改善。
Jun, 2020