Mar, 2024

基于 Transformer 的生成模型的极端降水预报

PDF
TL;DR本研究提出了一种创新的极端降水预报方法，采用基于 Transformer 的生成模型，即应用了 “现在预测 - GPT 与极值损失（EVL）正则化” 的方法。利用来自荷兰皇家气象研究所（KNMI）的全面数据集，我们的研究专注于高准确性的预测短期降水。我们介绍了一种新的计算 EVL 的方法，避免了假设固定极端情况的限制，解决了当前模型在捕捉极端天气事件方面的局限性。我们进行了定性和定量分析，展示了所提出的 “现在预测 - GPT-EVL” 在生成准确降水预报方面的卓越性能，特别是在处理极端降水事件时。代码可在 https://github.com/Cmeo97/NowcastingGPT 找到。
extreme precipitationnowcastingtransformer-based generative modelsextreme value loss (evl) regularizationprecipitation forecasts
发现论文，激发创造
  • GPTCast：一种用于降水预报的天气语言模型

    GPTCast 是一种基于大型语言模型（LLMs）的生成式深度学习方法，用于雷达降水的集成预测，该方法使用 GPT 模型作为预测器，使用标记化的雷达图像学习时空降水动态，模型通过学习数据中的变化性并在推理时以模型暴露的形式生成集成，无需使用随机性，提供了具有准确不确定性估计的逼真集成预测，通过在意大利北部的 Emilia-Romagna 地区的 6 年雷达数据集上进行训练和测试，展示了与最先进的集成外推方法相比的卓越结果。

    Jul, 2024

  • 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

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 使用物理知情鉴别生成模型进行降水即时预报

    使用荷兰皇家气象研究所（KNMI）的降水和气象数据，我们设计了一种物理信息神经网络用于降水预报，该模型在生成对抗学习框架中直接将物理监督集成进去，并采用了 VQ-GAN 和 Transformer 生成器以及时间鉴别器，研究结果表明，PID-GAN 模型在降水预报下游指标上优于数值和 SOTA 深度生成模型。

    Jun, 2024

  • 使用深度神经网络进行降水现在预报

    本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

    Mar, 2022

  • 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

  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • 利用 NowcastNet 实现熟练的降水即时预报

    设计有效的短期降水预警系统是必要的，气候变化导致极端天气事件频率增加，相关机构可以通过基于深度学习的现在预测模型在几秒内做出准确预测，以便更好地应对对农业、交通、公共卫生和安全等方面的影响。

    Nov, 2023

  • CasCast: 级联建模实现高分辨率降水即时预报

    基于雷达数据的降水即时预报在极端天气预测中起着关键作用，对于灾害管理具有广泛的影响。本文提出了 CasCast，这是一个级联框架，由确定性部分和概率部分组成，用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模，使用帧导向扩散变换器加强极端事件的优化，同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明，CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面，CasCast 的性能明显优于基线（高达 + 91.8%）。

    Feb, 2024

  • 基于 Swin-UNETR 的时空迁移学习的降水现在预报

    应用 Swin-UNETR 模型进行欧洲十个不同地区的降水预报研究，以提高应对极端天气事件的能力。

    Nov, 2023