基于可解释和可靠的机器学习的现场特定确定性温湿度预测

Apr, 2024

基于可解释和可靠的机器学习的现场特定确定性温湿度预测

Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning

MengMeng Han, Tennessee Leeuwenburg, Brad Murphy

TL;DR使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。

Abstract

site-specific weather forecasts are essential to accurate prediction of power demand and are consequently of great interest to energy operators. However, weather forecasts from current numerical weather prediction (NWP) models lack the fine-scale detail to capture all important charact

site-specific weather forecasts numerical weather prediction models machine learning gradient boosting decision tree shapley additive explanations

发现论文，激发创造

机器学习模型对天气预测的比较评估

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

利用机器学习和深度学习预测主要城市的温度

利用时间序列分析和机器学习算法，基于大学的温度变化数据库，我们成功预测了未来各个城市的温度变化。

Sep, 2023

基于图的神经气象预测有限区域建模

气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

Sep, 2023

数据驱动的天气预报模型的局限性

在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

Sep, 2023

可解释的机器学习在天气和气候预测中的应用：一项调查

复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后，我们讨论了实现与物理原理相一致的更深层次的机械解释，开发标准化评估基准，将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。

Mar, 2024

基于实际预测过程引导的扩散天气预测

应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

Feb, 2024

利用深度领域自适应学习预测不同地点的风力发电

利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。

May, 2024

机器学习下的山地天气预报插值

该研究论文介绍了一种利用机器学习方法来在山区进行天气预测的方法，使用当前观测数据和周围平原预测数据进行插值，以间接地结合数值模拟和机器学习。同时还探讨了在降水预测中使用二元交叉熵的方法。

Aug, 2023

利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

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

用于后处理集合天气预报的神经网络

本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

May, 2018