利用气象再分析数据对高物体上行闪电进行时空风险评估
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
本研究通过深度学习和极值理论模型,使用观测降雨诱发滑坡的 30 年清单数据,以及不同气候变化情景下多个回程期的数据,开发了一个统一模型来估计山体滑坡的灾害风险,结果显示该模型性能优异,能够以统一的方式建模滑坡灾害风险。在地貌上,我们发现在两个气候变化情景(SSP245 和 SSP885)下,喜马拉雅山脉下部地区的山体滑坡风险平均增加了两倍,中部地区保持不变,而上部地区略有减少。
Jan, 2024
本文针对研究低轨道物体受热层密度影响,提出优化以 Space Environment Technologies(SET)为基础的 $F_{10.7cm}$ 预测的方法,使用神经网络集成、多层感知器和长短期记忆等模型,其中最佳模型为组合多步预测和动态预测的集成方法,相较于基线,均方根误差相对提升在 45% 至 55% 间。
Jun, 2023
使用卫星数据的变压器模型现在预测地基雷达图像序列,可在两小时领先时间内,支持大范围的降水预测并为数据稀缺地区提供雷达替代品。
Oct, 2023
通过利用计算机视觉技术,在加州电力网络中借助谷歌街景图像识别电线杆和评估与周围植被的距离以及倾斜角度,这项研究提供了一个全面的框架,重点关注易燃的电线杆,以防止野火起火并做出战略投资决策来加强电力网络的韧性。
Jun, 2024
通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据,本研究介绍了一种新颖的机器学习模型,旨在生成详细的时空地图,预测都灵市 24 小时内的最高温度。实验结果表明,该模型在预测温度模式方面表现出色,对于 2023 年分辨率为每像素 20 米的情况,均方根误差为 2.09 摄氏度,从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解,强调了跨学科数据整合的重要性,并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。
May, 2024
通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息,本研究利用机器学习将两种信息融合起来,提高了日照预报的准确性。结果表明,混合模型对于晴朗天气的预测效果更好,同时也提高了更长期的预测能力。
Jun, 2022
该文提出了一种基于 Gated Recurrent Unit 的深度学习方法,用于预测澳大利亚维多利亚州在野火季节中的电力负荷,模型考虑到多个因素,使用降温关联因素以及灵活的数据输入结构,与 LSTM 相比表现更好,可以实现 3%的平均预测 MAPE,对维多利亚州而言可能有年度能源节约 8046 万澳元的潜在效益。
Apr, 2023
通过使用机器学习模型和可解释的机器学习工具,基于野外火灾事件之前获取的遥感数据,准确预测火灾后的烧毁严重程度,并确定严重烧毁的主要驱动因素,为社区制定干预措施提供行动洞察,以最大限度地减少加利福尼亚州人员、财产、资源和生态系统的损失。
Nov, 2023