Feb, 2024

ExtremeCast：全球天气预报中的极值预测提升

PDF
TL;DR基于机器学习的数据驱动天气预报在全球中期预报方面表现出优于传统基于物理的动力模型的快速发展和卓越性能。通过数学分析，我们证明了使用对称损失如均方误差（MSE）会导致偏差预测和极值低估。为了解决这个问题，我们引入了 Exloss，一种执行非对称优化并突出显示极值以获得准确极端天气预报的新型损失函数。此外，我们引入了一种无需训练的极值增强策略 ExEnsemble，它增加了像素值的方差并提高了预报的鲁棒性。结合先进的全球天气预报模型，广泛的实验表明我们的解决方案在极端天气预测方面可以达到与顶级中期预报模型相当的准确性。
data-driven weather forecastmachine learningextreme weather predictionasymmetric optimizationforecast accuracy
发现论文，激发创造
  • 验证深度学习天气预报模型在近期高影响极端事件上的准确性

    深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

    Apr, 2024

  • GenCast：基于扩散的中期天气集成预测

    基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

    Dec, 2023

  • 时间序列数据中极端事件预测的广义混合模型

    这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

    Oct, 2023

  • FuXi-ENS：一种中程集合天气预报的机器学习模型

    Ensemble weather forecasting has traditionally relied on computationally expensive numerical weather prediction models, but the FuXi-ENS machine learning model provides advanced global ensemble weather forecasts with improved spatial resolution and outperforms traditional models in most cases.

    May, 2024

  • EWMoE：基于混合专家的全球气象预报的有效模型

    在本文中，我们提出了 EWMoE 模型，它是一种能够准确预测全球天气的有效模型，它只需要较少的训练数据和计算资源，并利用 Meteorology-specific embedding、核心 Mixture-of-Experts (MoE) 层和两个特定的损失函数来提高预测准确性。通过对 ERA5 数据集进行了评估，并仅使用了两年的训练数据，我们进行了大量实验证明，EWMoE 在所有预测时间上均表现优于 FourCastNet 和 ClimaX 等当前模型，在异常相关系数（ACC）和均方根误差（RMSE）等评估指标上与最先进的 Pangu-Weather 模型具有竞争力。此外，消融实验结果表明，在天气预测中应用 MoE 架构可以显著提高准确性和资源效率。

    May, 2024

  • 富西 - 极端：基于扩散模型改进极端降雨和风力预报

    机器学习在天气预报领域取得了显著进展，其中 FuXi 模型及其改进版 FuXi-Extreme 在预测极端天气事件方面表现出色，但面临着预报提前时间增加时预测结果变得平滑从而低估极端天气事件强度的普遍挑战。

    Oct, 2023

  • DeepExtrema: 时间序列数据中预测块极值的深度学习方法

    DeepExtrema 是一种将深度神经网络和广义极值分布相结合的新型框架，能够精确预测时间序列的极端值，并在真实和合成数据上得到了比其他基线方法更优异的结果。

    May, 2022

  • 极端天气事件中的深度学习技术综述

    深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述为科学界了解并减轻极端天气事件的影响提供了重要见解。

    Aug, 2023

  • 视觉 - 语言模型遇上气象学：利用热力图开发极端天气事件检测模型

    实时检测和预测极端天气，通过将其作为一个视觉问答问题重新定义，引入了一种更精确、自动化的解决方案。利用视觉语言模型同时处理视觉和文本数据，我们的研究提供了一种有效的辅助分析气象热图过程的方法。通过介绍气候问答数据集 ClimateIQA 和基于 OpenCV 和 K-Means 聚类的 SPOT 技术，我们的模型集合 Climate-Zoo 在极端天气事件检测中取得了显著的性能提升。该研究中的数据集和模型可供未来的气候科学研究使用。

    Jun, 2024

  • 基于可解释和可靠的机器学习的现场特定确定性温湿度预测

    使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

    Apr, 2024