Mar, 2024

用于运营的数据驱动气象预测模型集合的亚季节预测

PDF
TL;DR我们提出了一个实用的多模式集成天气预报系统，该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心（ECMWF）海洋模型相结合，在 4 周的前期预测全球天气，分辨率为 1 度。对于 2 米温度的预测，我们的集成模型相比于原始的 ECMWF 扩展范围集成模型，在平均性能上提高了 4-17％（根据预测提前期而定）。然而，在应用统计偏差修正之后，ECMWF 集成模型在 4 周时相比较好，优势约为 3％。对于其他地表参数，我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。
multi-model ensembleweather forecastingdata-driven models1-degree resolutionlead time
发现论文，激发创造
  • 使用大型深度学习天气预测模型集进行次季节预测

    使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量，并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测，DLWP 集合在 4-6 周的前导时间内表现良好，但在更短的前导时间内表现稍差与 ECMWF 相比。

    Feb, 2021

  • ECMWF 集合预测系统：回顾 25 年以上并展望未来 25 年

    本文介绍了欧洲中期天气预报中心 (ECMWF) 的多模式集合预报系统的发展历程，特别是它独特的奇异向量和随机物理特征，并对未来 25 年的集合预测发展和应用进行了推测。

    Mar, 2018

  • 使用扩散模型模拟天气预报集合

    利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

    Jun, 2023

  • FuXi：一种用于 15 天全球天气预报的级联机器学习预测系统

    使用机器学习技术开发的 FuXi 天气预报系统，在全球 15 天天气预报方面表现与 ECMWF EM 相当，是第一个取得这一成就的 ML-based 天气预报系统。

    Jun, 2023

  • FuXi-S2S：一种用于全球次季节预报的准确机器学习模型

    超过 2 周的熟练次季节预测对社会各个领域的广泛应用至关重要。本研究介绍了基于机器学习的 FuXi-S2S 次季节预测模型，它以全球每日平均预测为特点，覆盖了 13 个压力层上的 5 个高层大气变量和 11 个地表变量，提供了高达 42 天的预测。与 ECMWF 的次季节预测相比，FuXi-S2S 模型在总降水、出射长波辐射和 500 hPa 高空位势等方面展示出优越的确定性和集合预测，对 Madden Julian Oscillation (MJO) 的预测从 30 天延长到 36 天。

    Dec, 2023

  • GenCast：基于扩散的中期天气集成预测

    基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

    Dec, 2023

  • 应用图神经网络预测全球天气

    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

  • 推进数据驱动的天气预报: ERA5 的滑动时间数据增强

    该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

    Feb, 2024

  • FuXi-ENS：一种中程集合天气预报的机器学习模型

    Ensemble weather forecasting has traditionally relied on computationally expensive numerical weather prediction models, but the FuXi-ENS machine learning model provides advanced global ensemble weather forecasts with improved spatial resolution and outperforms traditional models in most cases.

    May, 2024

  • EWMoE：基于混合专家的全球气象预报的有效模型

    在本文中，我们提出了 EWMoE 模型，它是一种能够准确预测全球天气的有效模型，它只需要较少的训练数据和计算资源，并利用 Meteorology-specific embedding、核心 Mixture-of-Experts (MoE) 层和两个特定的损失函数来提高预测准确性。通过对 ERA5 数据集进行了评估，并仅使用了两年的训练数据，我们进行了大量实验证明，EWMoE 在所有预测时间上均表现优于 FourCastNet 和 ClimaX 等当前模型，在异常相关系数（ACC）和均方根误差（RMSE）等评估指标上与最先进的 Pangu-Weather 模型具有竞争力。此外，消融实验结果表明，在天气预测中应用 MoE 架构可以显著提高准确性和资源效率。

    May, 2024