Feb, 2024

基于深度学习的雷达降水估算方法

PDF
TL;DR我们提出了一个基于量化降水估计和使用多个传感器的分割的体积到点的框架，通过台湾地区的 QPESUMS 镶嵌雷达数据集完成。利用雷达回波时间序列数据量的机器学习算法，我们建立了一个用于天气站降水估计的统计模型。与基于 Z-R 关系的 QPE 方法相比，我们利用机器学习算法自动检测天气系统的演变和移动，并将这些模式与具有特定地形属性的位置相关联。通过在 2013-2016 年间对台北的 45 个天气站的小时降水数据进行评估，与中央气象局使用的运营 QPE 方案相比，体积到点框架在一般情况下表现得相当好，并在检测大雨事件方面表现出色。作为参考基准，该方法可以整合异构数据源并有望改进极端降水情景的预测。
quantitative precipitation estimationvolume-to-point frameworkmachine learning algorithmsradar dataweather stations
发现论文，激发创造
  • 利用长短期记忆网络（LSTM）合并西班牙内华达山区的降水数据

    利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。

    Apr, 2024

  • 融合卫星和地面观测资料的降水不确定性机器学习估计

    通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

    Nov, 2023

  • 卫星降水的空间插值中的不确定性估计与集成学习

    在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。

    Mar, 2024

  • 基于雷达的降水量的深度时间插值

    研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

    Mar, 2022

  • 融合分布回归算法的卫星降水空间预测中的不确定性估计

    通过分布回归和集成学习方法，可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集，并提供不确定性估计。通过与基准模型的比较，确定了层叠方法是最有效的策略，而在特定的分位数水平下，具体的层叠方法会有所不同，因此使用多个算法进行任务特定的组合可能会带来显著的好处。

    Jun, 2024

  • 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

  • 基于光流引导扩散的降水概率降尺度化

    通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

    Dec, 2023

  • 融合格网卫星和气象站降水数据的 Ensemble 学习

    本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。

    Jul, 2023

  • R2P：从毫米波雷达到点云的深度学习模型

    该研究论文提出了一种名为 Radar to Point Cloud (R2P) 的深度学习模型，用于将低可视性环境下基于 mmWave 雷达的粗糙和稀疏点云转换为物体的 3D 点云表示，以实现目标检测和在自主导航系统中的应用，实验结果表明其优于现有的流行方法。

    Jul, 2022

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022