Feb, 2024

加拿大大瀑布地区和萨布尔岛的海洋雾能见度生成

HTML
PDF
TL;DR使用生成深度学习技术对海洋雾可视性进行现在预测，对FATIMA项目的观测数据进行分析，提出了条件生成对抗网络的应用。结果表明，生成对抗网络在预测雾可视性方面表现较好，具有潜力进行海洋雾可视性的生成分析。
发现论文，激发创造
  • 基于合成和真实数据的课程模型自适应用于语义模糊场景理解

    提出一种名为CMAda的方法，它可以逐步地将语义分割模型从轻度合成雾适应到多个步骤中的浓雾，从而解决了在不良天气下对物体场景的语义识别问题，并可以将其扩展到其他恶劣条件中。

    Jan, 2019

  • 深度整合差分方程模型用于时空预测

    本文使用CNN模型提取过程动态，并在层次统计IDE框架下采用集合卡尔曼过滤器进行概率预测，从而提供了一种现实的、可解释的和计算高效的动态全局先验模型。

    Oct, 2019

  • 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

  • 利用掩模自编码器重建海表温度图像

    本文提出了一种名为Enki的无监督机器学习算法，该算法使用了Vision Transformer结合Masked Autoencoding来重构遮蔽像素，用以缓解云掩码对海表温度数据分析的影响。通过训练四种不同的Enki模型来识别和重构LLC4320 SST图像中的遮蔽像素，作者发现该方法具有很好的重构效果，其表现甚至超过了插值法，为未来应用提供了广阔的发展前景。

    May, 2023

  • 使用深度卷积残差回归神经网络转换海洋温度观测

    通过神经网络架构融合AMSRE-E和MODIS可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。

    Jun, 2023

  • OceanNet：基于神经操作符的区域海洋数字孪生模型

    研究介绍了OceanNet，一种基于神经算子方式的洋流数字孪生技术，用于解决海洋建模中的复杂性问题以及季节性预测任务，通过利用历史海面高度数据进行训练，OceanNet通过超过优化的现代动力学海洋模型预测降低计算量500,000倍，展示了物理启发的深度神经算子作为高效替代品的潜力。

    Oct, 2023

  • 消除训练的神经辐射场的不利容积效应

    本文针对神经辐射场（NeRF）在雾环境中的运用进行研究，提出了一种去除雾气的方法，并介绍了一个新的数据集用于评估在此类场景上的性能表现。

    Nov, 2023

  • 使用条件生成对抗网络模拟热带气旋的夜间可见卫星图像

    通过使用红外波段和太阳光方向参数作为输入，该研究提出了使用条件生成对抗网络（CGAN）模型生成高度精确的夜间可见反射率的方法，并通过Visible/Infrared Imager Radiometer Suite (VIIRS)的Day/Night Band (DNB)进行了模型验证。研究证明了该模型在监测夜间气象现象方面的可行性。

    Jan, 2024

  • M4Fog：用于海洋雾检测和预测的全球多区域、多模态和多阶段数据集，以连接海洋与大气

    通过卫星观测和气象数据，我们构建了全球最全面的海洋雾检测和预测数据集M4Fog，数据集覆盖15个频繁出现海上雾的海洋地区，提供了近10年的连续海洋雾阶段的多模态数据，旨在促进机器学习驱动的海洋雾解决方案的发展，减少对人类活动的不利影响。

    Jun, 2024

  • 基于生成扩散模型的2000年以来黑潮延伸区海面高度下分辨率处理

    本研究针对卫星测高数据在解析海洋亚微观变动方面的局限性，提出了一种先进的生成扩散模型，通过将原始卫星插值数据从0.25度分辨率下分辨率至1/16度（约12公里波长）来增强观测的海面高度（SSH）重分析数据。研究结果表明，自2004年以来黑潮延伸区的涡旋动能在250公里以下的水平尺度上显著增强，强调了深度学习在重构卫星测高数据及提升对海洋动态理解方面的巨大潜力。

    Aug, 2024