Feb, 2024

Ai4Fapar：人工智能如何帮助预测季节性地球观测信号

PDF
TL;DR本文研究了在欧洲和北非地区，利用多变量 Transformer 模型预测光合有效辐射吸收分数（FAPAR）的时间轨迹的潜力，研究了短期（1 个月）和长期（超过 1 个月）预测。通过 2002 年至 2022 年的遥感和气象数据对 FAPAR 进行建模预测，采用留一年交叉验证方法进行模型评估，并与气候基准模型进行比较。结果表明，在预测一个月后，Transformer 模型优于基准模型，使用前两个月的预测，Transformer 模型的均方根误差值在 0.02 至 0.04 FAPAR 单位之间。总体而言，经过测试的 Transformer 模型是一种在光合有效辐射吸收分数（FAPAR）预测中有效的方法，特别是与气象数据结合，用于短期预测。
multivariate transformer modelfaparforecastingremote sensingweather data
发现论文，激发创造
  • CaFA：基于球面上的因式化注意力的全球天气预报

    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

  • 太阳辐照预测变压器

    本文提出了一种基于 Transformer 的短期太阳辐射预测模型，通过对连续的天空图像进行特征编码，并将其输入 Transformer 解码器，预测与未来未见天空图像相关的辐照值，同时捕捉天空图像之间的长程依赖关系，可实现对所有天空图像数据集在 15 分钟内的辐射预测精度提高至 21.45%，优于智能持久性模型。

    May, 2023

  • 基于深度学习的气候模型驱动季节预测方法

    本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

    Feb, 2023

  • 基于远程联系信息的高效亚季节气象预测

    借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

    Jan, 2024

  • 基于人工智能和数据压缩技术融合的长期准确气温预测

    本文针对长期夏季气温预测问题，提出了三种人工智能框架，涉及深度学习、机器学习算法和数据降维技术。实验结果表明，这三种框架在巴黎和科尔多瓦地区都表现出很好的预测技能，对于气候变化等相关问题和可再生能源等不同问题有着重要的应用价值。

    Sep, 2022

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 通过物理和人工智能混合建模将天气预报推广到细粒度时间尺度

    提出了一种物理 - 人工智能（AI）混合模型（即 WeatherGFT），将天气预报推广到超出训练数据集的更细时间尺度，并通过引入一个提前时间感知的训练框架来促进模型在不同提前时间上的推广，实验证明 WeatherGFT 在多个提前时间上达到了最先进的性能，并展现了 30 分钟预测的泛化能力。

    May, 2024

  • 基于可解释人工智能技术的用于水位多步预测和水文气象敏感性分析的 Transformer 改进型模型

    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

  • ArchesWeather: 1.5° 分辨率的高效人工智能天气预报模型

    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

  • 短期太阳辐照度预测在数据传输约束下的应用

    通过降维天空相机图像的标量特征以满足数据传输限制，我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发，我们使用噪声输入反映未测量的变量，并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiation Research Laboratory 的五年数据，我们创建了三个滚动训练验证集，确定了时间的最佳表示形式、输入测量的最佳跨度以及最具影响力的模型输入数据（特征）。在选择的测试数据上，与云量持续模型的基准值 134.35 $W/m^2$ 相比，该模型实现了 74.34 $W/m^2$ 的平均绝对误差。

    Mar, 2024