基于实际预测过程引导的扩散天气预测
该论文介绍了一种用于天气预报的确定性导向扩散模型(DGDM),它整合了确定性和概率方法的优势,既能提供准确预测,又能进行概率预测。通过在正向过程中训练确定性模型和概率模型,并利用确定性模型的预测结果作为概率模型的起始点,在全球和区域预测方面,DGDM 取得了最先进的结果。
Dec, 2023
在天气与气候预测领域,机器学习(ML)正对传统基于物理模型的预测模型提供有力的挑战,并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察,发现相比于基于物理模型的预测,ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外,ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用,并且在实际应用中具有极低的计算成本,因此能够为预测信息提供一种有价值的额外来源。
Sep, 2023
将物理定律与深度学习模型相结合的 DeepPhysiNet 框架可以实现准确连续的天气系统建模,增强预测精度并获得连续的时空分辨率结果。
Jan, 2024
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
使用潜在扩散模型 (Latent Diffusion Model, LDM) 进行短期预测,可获得比生成对抗网络 (Generative Adversarial Networks, GANs) 更高质量和多样性的降水预测,LDM 较为稳定,需要较少的训练计算;该模型的优势在于生成更多样的预测并更准确地反映了预测错误 / 不确定性的图样分布测试结果,适用于天气和气候等领域。
Apr, 2023
我们提出了一个两阶段的概率时空预测流程:1)我们开发了 PreDiff,一个能够进行概率预测的条件潜在扩散模型。2)我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布,结合了显式的知识控制机制,以使预测与领域特定的物理约束相一致。实验在两个数据集上进行,分别是具有混沌行为的合成数据集 N-body MNIST 和代表降雨预测的真实世界数据集 SEVIR。实验结果显示 PreDiff 在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。
Jul, 2023
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