Feb, 2024

两阶段降雨预测扩散模型

PDF
TL;DR通过提出一种两阶段降雨预测扩散模型 (TRDM)，我们改善了深度神经网络在长期降雨预报中的准确性，解决了模糊生成图像和空间位置错误的问题。第一阶段捕捉强大的时间信息并保留低分辨率条件下的空间信息，第二阶段对第一阶段生成的低分辨率图像进行高分辨率重建。我们展示了在 MRMS 和瑞典雷达数据集上最先进的结果。
deep neural networksrainfall predictiontwo-stage rainfall-forecasting diffusion modeltemporal and spatial modelinglow-resolution to high-resolution image reconstruction
发现论文，激发创造
  • PreDiff: 隐式扩散模型的降水预测

    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

  • DeepRain: 使用多通道雷达数据的 ConvLSTM 网络进行降水预测

    本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

    Nov, 2017

  • SwinRDM: 将 SwinRNN 与扩散模型结合，实现高分辨率、高质量的天气预测

    本文介绍了一种基于数据驱动模型 SwinRDM 的、合成了改进版 SwinRNN 和扩散模型的高分辨率天气预测方法，它在 500 hPa 高度位势（Z500）、850 hPa 温度（T850）、2-m 温度（T2M）和总降水（TP）等关键气象变量上的预测准确率超过了目前的 NWP 模型，可达到 0.25 度的空间分辨率，为将数据驱动的预测模型推向操作应用提供了重要参考。

    Jun, 2023

  • SRNDiff: 基于条件扩散模型的短期降雨预测

    通过引入扩散模型于降水预测任务，提出了一种基于历史观测数据的短时降水预报条件扩散模型（SRNDiff）。SRNDiff 通过在去噪过程中加入额外的条件解码器模块，实现了端到端的降水预测。该模型在条件生成方面超越了 GANs，虽然需要更多计算资源，但在训练过程中表现出更高的稳定性和效率，并生成更能反映未来降水情况的高质量降水分布样本。这充分验证了扩散模型在降水预测中的优势和潜力，并为提升降水预测提供了新的见解。

    Feb, 2024

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024

  • 发掘动态模式分解和深度学习在印度东北降雨预测中的能力

    使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

    Sep, 2023

  • 具有准确不确定性量化的生成型降水预测的隐式扩散模型

    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

  • 利用生成扩散模型进行降水预报

    研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

    Aug, 2023

  • 大气千米尺度下行模拟的生成式残差扩散建模

    物理风险预测的最新技术需要进行昂贵的千米级数值模拟，而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法，该模型是从台湾的区域高分辨率天气模型经 ERA5 再分析数据训练而来。通过一个两步方法（ extit {ResDiff}）， extit {ResDiff} 在块状 RMSE 和 CRPS 评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例，显示了类似于学到的物理学的适当多变量关系，包括与冷锋中的强降雨相伴的尖锐风和温度变化，以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。

    Sep, 2023

  • 提高孟买降雨预测的精度：利用物理信息的 ConvLSTM2D 模型提供更高的空间和时间分辨率

    本研究引入深度学习空间模型以提高精确预测城市等细致空间尺度下降水，通过使用特定地点的物理信息数据和局部精度，反映气象研究领域的当前进展。

    Apr, 2024