使用机器学习注意力模型进行时间偏差校正
通过评估和比较四种基于机器学习的风力发电预测模型,我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果,平均归一化均方根误差降至 22%,同时减少了均方根误差,并且未来研究应当探究模型流程的变化以提高预测性能。此外,我们引入了连续学习策略,该策略在新数据可用时取得了最高的预测性能提升。
Feb, 2024
提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测,克服了统计学方法无法处理超过训练数据时间的极端事件的挑战,并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出,使其更准确地反映统计数据并显著降低空间偏差。
Feb, 2024
本文针对机器学习在全球气候模型统计降尺度中的应用进行研究,将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析,结果表明直接应用最新的机器学习方法不能优于较简单的传统方法,文中特别关注了美国东北部地区的每日降水量,结果对每种方法的能力进行了评估。
Feb, 2017
气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架,用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型,并对观测和地球系统模型数据进行映射,我们的方法能够纠正任何地球系统模型的地理要素,确保了统计质量并保留了大尺度空间模式。
Apr, 2024
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
在对气候模型进行本地气候风险准确估计时,我们提出了一种基于图像超分辨率和对比学习生成对抗网络的方法,该方法可以在实现偏差校正的同时将空间分辨率提高一倍,并且可用于更精确的洪水、干旱和热浪等灾害的本地准确建模。
Nov, 2022
季节性预测是探测气候变化引起的极端炎热与寒冷的关键任务。我们应该对预测结果有可靠的信心,因为每年温度增加一点点都对世界产生巨大影响。神经网络的校准提供了确保预测可信度的方法,然而,在预测中校准回归模型是一个鲜为人知的课题。我们通过校准基于 UNet++ 架构的模型,证明相对于基于物理的模型在温度异常方面表现更优。我们发现,在预测误差和校准误差之间做一定权衡,可以得到更可靠、更精确的预测。我们相信,在天气预报等安全关键的机器学习应用中,校准应该是一个重要部分。
Mar, 2024
引入球谐神经算子 (SHNO) 的研究以改善长期迭代预测,通过减轻球面数据的扭曲并纠正由虚假相关引起的谱偏差,通过应用于球面浅水方程 (SWEs) 和中长期全球天气预报验证了其有效性和优点,强调了 SHNO 提高长期预测准确性的潜力。
Jun, 2024
气候科学中,比较不同数据集时常常会遇到不匹配的问题,本研究以热带气旋位置为例研究了数据集不匹配所带来的问题,通过训练神经网络来解决数据集不匹配的问题,并发现神经网络在处理有噪声标签的数据时表现更佳。
Jun, 2024
使用机器学习代理模型和部分、嘈杂观测,本研究调查在线天气预测。我们经验性地证明并理论上证明,尽管代理模型长期不稳定且观测稀疏,但滤波估计在长期时间范围内仍然准确。作为一个案例研究,我们在变分数据同化框架中使用 FourCastNet,一种最先进的天气代理模型,使用部分、嘈杂的 ERA5 数据。我们的结果表明,在一年的同化窗口中,滤波估计保持准确,并为包括极端事件预测在内的预测任务提供有效的初始条件。
May, 2024