KARINA: 全球天气预报的高效深度学习模型
本文提出基于深度学习的 Pangu-Weather 系统,用于快速而准确的全球天气预报。通过大量数据和深度神经网络,提高了预报精度,成功地将 AI 方法的预报准确度超越了传统的数值天气预报方法,为未来深度学习天气预报系统的改进提供了新方向。
Nov, 2022
本文介绍了一种基于深度学习模型(UNet++),利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证,以预测未来一个月的全球温度,发现该模型可以显著地提高预测准确度。
Feb, 2023
使用深度卷积神经网络通过 cubed-sphere 重新映射,改进 CNN 架构并在预测序列中优化损失函数,实现了更准确的天气预报,能够以几周或更长的时段内实现不断稳定的天气预报,并在短 - 中程预报中显著优于其他方法。
Mar, 2020
使用图神经网络的数据驱动方法预测全球天气,通过学习当前 3D 大气状态的六小时步长以及多步连接,可以产生数天后的精准预报,测试表现优于以前的数据驱动方法,并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。
Feb, 2022
该论文基于数据驱动的深度学习技术,提出了 FourCastNet 这一可以比当前基于物理的数值天气预报快 80000 倍并且准确性优于状态 -,预测全球天气、产生中程预报的系统。同时,FourCastNet 还可以生成准确的即时天气预测,提高了全球预测的分辨率。
Aug, 2022
近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报,其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性,根据 2020 年全球热点地区的季节性对流性能评估发现,Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内,对 Convective Available Potential Energy(CAPE)和 Deep Layer Shear(DLS)的预测结果具有相对的准确性,而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好,能够达到甚至超过 IFS 的性能水平,由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率,目前的结果表明,人工智能模型中对 CAPE 的直接预测很有前景,这将为快速且低成本的严重天气现象预测开辟前所未有的机遇,通过推进人工智能模型的评估,朝着基于过程的评估方向发展,我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。
Jun, 2024
本研究提出了一种基于 AI 的天气预测系统,通过将物理约束作为归纳先验嵌入到神经网络架构中,将 2D 注意力与基于列的注意力特征交互模块相结合,设计出一种名为 ArchesWeather 的转换器模型,证明了该设计改进了预测技巧。
May, 2024
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
本文介绍了 MetNet-3,即一个基于气象观测预测降雨、风、温度和露点的神经网络模型,该模型引入了一种重要的数据密集化技术,并通过性能比较,证明了 MetNet-3 与最先进的概率性数值天气预报模型相比,在 24 小时内具有更好的预测表现。
Jun, 2023
我们提出了一种适用于球面几何的因子化注意力模型,用于天气预测。该模型在精确度和效率上的表现与纯数据驱动的机器学习天气预测模型相当,具备在准确度与计算成本上优于基于 Transformer 模型的标准注意力模型的潜力。
May, 2024