Feb, 2024

CasCast: 级联建模实现高分辨率降水即时预报

PDF
TL;DR基于雷达数据的降水即时预报在极端天气预测中起着关键作用，对于灾害管理具有广泛的影响。本文提出了 CasCast，这是一个级联框架，由确定性部分和概率部分组成，用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模，使用帧导向扩散变换器加强极端事件的优化，同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明，CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面，CasCast 的性能明显优于基线（高达 + 91.8%）。
发现论文，激发创造
  • 使用深度生成模型进行降水熟练的即时预报

    使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。

    Apr, 2021

  • DiffCast：基于残差扩散的降水即时预报统一框架

    降水现在预测是基于当前观测预测雷达回波序列的一个重要的时空预测任务，该任务对气象科学和智能城市应用都有着重要的意义。为了解决此问题，我们提出了一种从全球确定性运动和局部随机变化的角度分解和建模降水系统的方法，并基于残差扩散提出了一个统一而灵活的框架，有效地解决了以前方法的不足之处。广泛的实验结果表明，与最先进的技术相比，我们提出的框架具有很好的效果和优越性。我们的代码将很快公开提供。

    Dec, 2023

  • 利用 NowcastNet 实现熟练的降水即时预报

    设计有效的短期降水预警系统是必要的，气候变化导致极端天气事件频率增加，相关机构可以通过基于深度学习的现在预测模型在几秒内做出准确预测，以便更好地应对对农业、交通、公共卫生和安全等方面的影响。

    Nov, 2023

  • 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

  • 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

  • 基于雷达图像的降水现在预报机器学习

    采用深度学习技术中的 UNET 卷积神经网络，将高分辨率（1km × 1km）短期（1 小时）降水预测视为图像翻译问题，用于气候变化适应的高分辨率实时预测，表现优于光流、持续性和 NOAA 的数值一小时 HRRR 气象预测模型。

    Dec, 2019

  • 基于深度学习的降水预报和估计的有效训练策略

    本研究提出了一种基于深度学习的预降水方案，利用 U-Net 模型和预训练技术来提高预测性能，使用新的损失函数减轻类别不平衡问题，实验表明相较于传统方法，本方法的准确性和精度在降水预报和降水估算中都有所提高。

    Feb, 2022

  • 卫星图像降水短时预报

    利用地球同步卫星影像开发了一种降水现预报方法，并将其应用于 Yandex 天气预报，拓展了预报范围并为未来提供了全球性覆盖的可能性。

    May, 2019

  • 降水预测的深度学习：从时间序列预测的角度看调查

    近期基于深度学习的时序降水预测模型研究进展与性能评估综述

    Jun, 2024

  • 降水预测的深度学习：基准和新模型

    该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

    Jun, 2017