Feb, 2024

ChaosBench：适用于亚季节到季节气候预测的多渠道物理基准

PDF
TL;DR为了提高灾害应对能力，降低经济风险并在气候变化下改善政策制定，对亚季节尺度的气候准确预测至关重要。然而，由于系统的混沌性质，亚季节尺度的预测仍然具有挑战性。为此，我们提出了一种基于物理模型的大规模混沌准则，ChaosBench，用于亚季节尺度的预测。该准则包括了超过 460K 个真实观测和模拟数据帧，每个帧含有 60 个变量通道，时间跨度长达 45 年。我们还提出了一些基于物理模型的度量方法，除了视觉方法，进一步提高了模型的物理一致性。此外，我们还将 4 个国家气象机构的物理模型预测作为基线与我们的数据驱动模型进行对比。我们建立了两个不同复杂度的任务：完整动力学预测和稀疏动力学预测。我们的评估结果表明，在现有模型上进行大规模评估，包括 PanguWeather，FourCastNetV2，GraphCast 和 ClimaX，发现原本用于天气尺度应用的方法在亚季节尺度任务上失效。我们在该 URL 上发布了我们的准则代码和数据集。
subseasonal-to-seasonal scale predictionchaosbenchphysics-based benchmarksdynamics predictionweather-scale applications
发现论文，激发创造
  • WeatherBench 2：面向下一代数据驱动的全球天气模型的基准测试

    WeatherBench 2 是由 Rasp et al. (2020) 提出的全球中程（1-14 天）天气预测基准的更新版本，旨在加速数据驱动的天气模型的进展。本文描述了评估框架的设计原则，并呈现了当前最先进的物理模型和数据驱动的天气模型的结果。评估指标基于在领先的操作性天气中心评估天气预报的已建立实践，我们定义一组引人注目的分数以提供模型性能的概览。此外，我们还讨论了当前评估设置的注意事项以及数据驱动天气预测未来面临的挑战。

    Aug, 2023

  • FuXi-S2S：一种用于全球次季节预报的准确机器学习模型

    超过 2 周的熟练次季节预测对社会各个领域的广泛应用至关重要。本研究介绍了基于机器学习的 FuXi-S2S 次季节预测模型，它以全球每日平均预测为特点，覆盖了 13 个压力层上的 5 个高层大气变量和 11 个地表变量，提供了高达 42 天的预测。与 ECMWF 的次季节预测相比，FuXi-S2S 模型在总降水、出射长波辐射和 500 hPa 高空位势等方面展示出优越的确定性和集合预测，对 Madden Julian Oscillation (MJO) 的预测从 30 天延长到 36 天。

    Dec, 2023

  • 利用机器学习进行次季气候预测：挑战、分析与进展

    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

  • WeatherBench：面向数据驱动天气预测的基准数据集

    本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

    Feb, 2020

  • 使用大型深度学习天气预测模型集进行次季节预测

    使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量，并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测，DLWP 集合在 4-6 周的前导时间内表现良好，但在更短的前导时间内表现稍差与 ECMWF 相比。

    Feb, 2021

  • 使用机器学习改善西部地区的亚季节预测

    该论文描述了一个基于机器学习方法的预测系统，该系统利用历史气象测量值和动态模型预测，通过裁剪无关预测器和加权最近邻特征引入加权局部线性回归，显著提高了长期预测准确性。该系统在 Subseasonal Climate Forecast Rodeo 竞赛中表现优异，可帮助提高亚季节性气象预测的水平。

    Sep, 2018

  • 一种实用的用于人工智能天气模型的概率基准

    天气模型的概率技能与延迟集合相比较，发现 GraphCast 和 Pangu 是领先的 AI 天气模型，在确定性评分方面前者优于后者，但在概率 CRPS 指标上两者得分相同。

    Jan, 2024

  • DynaBench: 低分辨率数据学习动态系统的基准数据集

    本文介绍了一个新的模拟基准数据集 DynaBench, 用于直接从稀疏散乱的数据中学习动力系统。该数据集着重于通过低分辨率、非结构化的测量预测动力学系统的演变，并评估了几个机器学习模型（包括传统的图神经网络和点云处理模型）。

    Jun, 2023

  • 用于运营的数据驱动气象预测模型集合的亚季节预测

    我们提出了一个实用的多模式集成天气预报系统，该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心（ECMWF）海洋模型相结合，在 4 周的前期预测全球天气，分辨率为 1 度。对于 2 米温度的预测，我们的集成模型相比于原始的 ECMWF 扩展范围集成模型，在平均性能上提高了 4-17％（根据预测提前期而定）。然而，在应用统计偏差修正之后，ECMWF 集成模型在 4 周时相比较好，优势约为 3％。对于其他地表参数，我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。

    Mar, 2024

  • PostRainBench：全面基准和新型降水预测模型

    通过提出 PostRainBench 多变量 NWP 后处理基准，我们介绍了一种简单但有效的渠道注意增强多任务学习框架 CAMT，它能在极端降水条件下优于传统的数值天气预报方法，进而减轻极端天气事件的严重后果。

    Oct, 2023